Cofounder：全栈 AI 应用开发 Agent，基于单一提示生成完整的应用程序

❤️ 如果你也关注大模型与 AI 的发展现状，且对大模型应用开发非常感兴趣，我会快速跟你分享最新的感兴趣的 AI 应用和热点信息，也会不定期分享自己的想法和开源实例，欢迎关注我哦！

🥦 微信公众号｜搜一搜：蚝油菜花 🥦

🚀 快速阅读

Cofounder 是一个开源的全栈 AI 开发代理，帮助开发者自动生成完整的应用程序。
Cofounder 提供全栈应用生成、AI 引导的原型设计、模块化设计系统和生成式 UI 等主要功能。
Cofounder 基于生成式 AI 技术和自然语言处理，解析和理解开发者的需求，生成实际的代码。

正文（附运行示例）

Cofounder 是什么

在这里插入图片描述

Cofounder 是开源的全栈 AI 开发代理，能帮助开发者基于单一提示自动生成完整的应用程序，包括后端、前端、数据库和有状态的 Web 应用。Cofounder 基于生成式 AI 技术，提供基于应用架构的 UI、AI 引导的原型设计工具和模块化设计系统，提高开发效率和简化开发流程。Cofounder 全栈构建能力让开发者无需在不同层面的开发工作之间频繁切换，节省开发时间和精力。

Cofounder 的主要功能

全栈应用生成：Cofounder 根据用户的提示或需求说明，自动生成包括后端、前端、数据库在内的全栈 Web 应用程序。
AI 引导的原型设计：提供 AI 辅助的原型设计工具，帮助开发者快速构建应用的初步模型。
模块化设计系统：Cofounder 基于模块化设计，让开发者轻松地重用和组合不同的功能模块。
生成式 UI：基于应用架构，Cofounder 自动生成用户界面，简化 UI 设计和开发过程。
数据库管理：支持数据库层的生成和管理，包括数据结构的定义和数据库的实现。
API 规范实现：Cofounder 实现 API 规范，如 OpenAPI 和 AsyncAPI，为后端服务提供标准化的接口。

Cofounder 的技术原理

生成式人工智能（Generative AI）：基于 NLP 和机器学习模型，根据提示生成代码。
自然语言处理（NLP）：解析和理解开发者提供的描述性语言，识别关键需求。
机器学习模型：在代码数据上训练，学习如何生成代码。
代码生成算法：将需求转换成实际代码，包括模板匹配和逻辑结构生成。
模块化和组件化架构：提高代码复用性和开发灵活性。
数据库和 API 自动化：用数据库模式设计技术和 API 规范自动化数据库和 API 生成。

如何运行 Cofounder

安装与初始化

打开终端并运行以下命令：

npx @openinterface/cofounder

按照提示操作：
- 输入你的密钥
- 设置目录并开始安装
- 启动本地 cofounder/api 构建器和服务器
- 打开 http://localhost:4200 进入 Web 仪表板，创建新的项目 🎉

# 备注：
# 你将被要求输入 cofounder.openinterface.ai 密钥
# 推荐使用该密钥，因为它可以启用设计布局和外部API等功能
# 并且在当前早期alpha期间没有使用限制

你可以通过以下命令直接创建新项目，而不必通过仪表板：

npx @openinterface/cofounder -p "YourAppProjectName" -d "describe your app here" -a "(optional) design instructions"

运行生成的应用程序

在 ./apps/{YourApp} 目录下打开终端并运行：

npm i && npm run dev

安装依赖项后，启动后端和 Vite+React，进入 http://localhost:5173/ 打开 Web 应用 🎉
在生成的应用程序中，使用 ⌘+K / Ctrl+K 来迭代 UI 组件

注意事项

仪表板与本地 API

如果你稍后继续开发生成的应用程序，需要确保本地 ./cofounder/api 服务器正在运行以接收查询。从 ./cofounder/api 目录运行以下命令：

npm run start

仪表板将在 http://localhost:4200 打开

并发处理

每个“节点”在 cofounder 架构中有定义好的配置文件，用于处理并发、重试和时间间隔限制。例如，如果你想并行运行多个 LLM 生成任务，可以修改以下配置：

# ./cofounder/api/system/structure/nodes/op/llm.yaml
nodes:
  op:LLM::GEN:
    desc: "..."
    in: [model, messages, preparser, parser, query, stream]
    out: [generated, usage]
    queue:
      concurrency: 1 # 修改这里
  op:LLM::VECTORIZE:
    desc: "{texts} -> {vectors}"
    in: [texts]
    out: [vectors, usage]
  mapreduce: true
  op:LLM::VECTORIZE:CHUNK:
    desc: "{texts} -> {vectors}"
    in: [texts]
    out: [vectors, usage]
    queue:
      concurrency: 50