做完 v0.2.1 后，我对“AI 应用接入多个模型”这件事的感受更明确了。Ollama 调一次DeepSeek 调一次Qwen 调一次前端只能传 modelIdModel Catalog 是服务端事实源模型列表接口只暴露公开模型信息路由入口先校验 modelIdProvider Runtime 统一创建模型普通聊天和 /tasklist Agent 共用模型入口密钥只在服务端读取Provider

本文分享了AI Mind项目从理想化全自动部署到实际调整的演进过程。作者最初计划采用GitHub Actions + GHCR + 服务器拉镜像的全自动化方案，但在实践中遇到腾讯云拉取GHCR镜像不稳定、GitHub Actions连接服务器SSH超时等问题。最终部署方案调整为：GitHub Actions负责CI和镜像构建推送至腾讯云TCR，本地脚本控制服务器部署，生产环境变量由本地维护。文章重

做完 v0.2.1 后，我对“AI 应用接入多个模型”这件事的感受更明确了。Ollama 调一次DeepSeek 调一次Qwen 调一次前端只能传 modelIdModel Catalog 是服务端事实源模型列表接口只暴露公开模型信息路由入口先校验 modelIdProvider Runtime 统一创建模型普通聊天和 /tasklist Agent 共用模型入口密钥只在服务端读取Provider

如果你在做 AI 应用时或者接触 AI 项目，经常会遇到一堆很容易混在一起的词：Agent、RAG、Tool Calling、Skill、MCP、Prompt、Resource、Runtime……这些词看起来都和“大模型能力增强”有关，也经常一起出现在 AI 应用架构图里。但真正落到工程实现时，它们解决的问题并不是同一层。

如果你在做 AI 应用时或者接触 AI 项目，经常会遇到一堆很容易混在一起的词：Agent、RAG、Tool Calling、Skill、MCP、Prompt、Resource、Runtime……这些词看起来都和“大模型能力增强”有关，也经常一起出现在 AI 应用架构图里。但真正落到工程实现时，它们解决的问题并不是同一层。

从大模型工具 计算器 demo 出发，复盘 AI 应用里 Tool Calling 的可扩展设计，包括工具注册、参数校验、执行结果和前端展示。

复盘 AI 应用里多个工具的管理方式：从单 Tool Calling 扩展到 Multi-Tool Runtime，处理工具注册、参数校验和结果回填。

基于 Next.js、Ollama 和 Qwen3，搭建零成本本地大模型流式聊天应用，完成本地模型问答和流式输出基础链路。

本文基于 AI Mind 项目实践，记录第一个受控 Tasklist Agent 的设计与实现过程。这个 Agent 不是通用自动执行器，而是一个边界明确的任务清单生成 Agent：用户通过 /tasklist + @docs://versions/*.md 显式引用版本方案，系统读取方案后生成任务清单草稿，并通过结构校验工具保证输出格式稳定。

基于 Next.js、Ollama 和 Qwen3，搭建零成本本地大模型流式聊天应用，完成本地模型问答和流式输出基础链路。