Bike4Mind 完全指南：多模型 AI 工作台的搭建与使用
当你的日常工作中同时使用 Claude、GPT、Gemini 等多个 AI 模型时，在不同平台之间切换、管理上下文、串联任务就成了一个不小的痛点。Bike4Mind 正是为了解决这个问题而设计的——它是一个开源核心（open-core）的多模型 AI 工作台，将笔记本、自主 Agent、RAG 知识引擎整合到一个统一的界面中。
什么是 Bike4Mind？
Bike4Mind 自称”AI 时代的自行车”（bicycle for the mind），定位是一个多模型 AI 知识平台。它的核心理念是：自己带模型，自己管数据。无论你用的是 Anthropic Claude、OpenAI GPT、Google Gemini、xAI Grok，还是本地运行的 Ollama 模型，都能在一个工作区中自由切换。
项目采用 BUSL-1.1 许可证（两年后自动转为 Apache-2.0），核心引擎完全开源且可自托管。你可以在自己的服务器上用 Docker Compose 一键部署，无需任何云账号。
核心功能一览
- Notebooks（笔记本）：核心工作区，将聊天、文档和上下文整合在一起
- Multi-LLM（多模型）：在 Anthropic、OpenAI、Google Gemini、xAI、Ollama 之间自由切换
- Quest Master（任务规划）：自主的多步骤任务规划引擎，支持文本生成、图像生成、视觉审查、网页搜索、代码执行和人工审核
- AI Agents（自主 Agent）：ReAct 风格的自主 Agent，能调用你的工具和知识库执行复杂任务
- Knowledge Engine（知识引擎）：对文档做 RAG（检索增强生成），支持智能分块、向量搜索、集合和标签
- Artifacts（产物）：Agent 产出的可复用片段、文档、可视化内容，可发布和分享
快速开始：托管版 vs 自托管
托管版（最快）
最简单的方式是直接访问 app.bike4mind.com 注册账号，无需安装任何东西，立即可用。
自托管（完全掌控数据）
如果你对数据隐私有要求，或者想完全离线使用本地模型，自托管是最佳选择。整个过程只需几条命令：
第一步：克隆仓库并配置环境
git clone https://github.com/bike4mind/bike4mind.git cd bike4mind cp .env.selfhost.example .env.selfhost
第二步：生成安全密钥
openssl rand -hex 32 # -> JWT_SECRET openssl rand -hex 32 # -> SESSION_SECRET openssl rand -hex 32 # -> SECRET_ENCRYPTION_KEY
将这三个密钥填入 .env.selfhost 文件中。注意：SECRET_ENCRYPTION_KEY 一旦设定就不可更改，否则数据库中的加密数据会损坏。
第三步：配置 LLM 提供商
在 .env.selfhost 中填入你要使用的模型 API 密钥。留空的提供商不会出现在模型选择器中：
ANTHROPIC_API_KEY=sk-ant-... # Claude OPENAI_API_KEY=sk-... # GPT GEMINI_API_KEY=... # Google Gemini XAI_API_KEY=... # Grok
如果你不想使用任何云 API，可以完全跳过这一步，改用本地 Ollama 模型。
第四步：启动服务
docker compose -f compose.selfhost.yaml --env-file .env.selfhost up -d
启动后，访问 http://localhost:3000 即可看到登录页面。所有邮件（包括登录验证码）都会被内置的 Mailpit 捕获，访问 http://localhost:8025 即可查看。
深入使用：核心功能详解
1. Notebooks：统一工作区
Notebook 是 Bike4Mind 的核心交互界面。它将聊天、文档和上下文整合在一个页面中，你可以在同一个对话中引用多个模型、切换不同的知识库，无需离开当前工作区。
每个 Notebook 本质上是一个持久化会话，支持多个消息线程（threads），方便在不同话题间切换而不会丢失上下文。
2. Quest Master：自主任务规划
Quest Master 是 Bike4Mind 最强大的功能之一。你可以向它描述一个复杂目标，它会自动分解为多个步骤并行执行。支持的任务类型包括：
- 文本生成和图像生成
- 视觉审查（让模型”看”图片并分析）
- 网页搜索
- 数学计算和代码执行
- Human-in-the-loop（人工审核步骤）
这些步骤可以并行运行，Quest Master 会协调它们的结果。
3. API 调用与 CLI
Bike4Mind 的所有功能都有对应的 HTTP API，方便集成到你的工作流中。
创建 API 密钥：在 Settings > API Keys 中创建密钥（以 b4m_ 开头），设置 ai:chat 作用域。
发送聊天消息：
curl -X POST http://localhost:3000/api/chat \
-H "x-api-key: $B4M_API_KEY" \
-H "content-type: application/json" \
-d '{"message": "用中文介绍一下 Bike4Mind", "wait": true}'
wait: true 表示同步等待响应；省略这个参数则会立即返回一个 sessionId，让处理在后台继续。
使用 CLI：如果你更习惯终端操作，可以安装 CLI 工具：
npm install -g @bike4mind/cli b4m --api-url http://localhost:3000
CLI 支持 OAuth 设备流认证，认证信息按环境缓存，可以同时管理托管版和自托管版。
4. 本地模型：没有 API 密钥也能用
Bike4Mind 内置了 Ollama 集成，让你完全离线运行开源模型。配置方式：
在 .env.selfhost 中取消注释 Ollama 相关配置：
OLLAMA_BASE_URL=http://ollama:11434 OLLAMA_PULL_MODELS=qwen2.5-coder:7b
然后带 ollama profile 启动：
docker compose -f compose.selfhost.yaml --env-file .env.selfhost --profile ollama up -d
模型选择会根据你配置的硬件自动推荐合适的尺寸：
| 模型 | 下载大小 | 最低 GPU 显存 | 纯 CPU 内存 | 说明 |
|---|---|---|---|---|
| qwen2.5-coder:1.5b | ~1.0 GB | ~2 GB | ~8 GB | 很小，CPU 也可用 |
| qwen2.5-coder:3b | ~2.0 GB | ~4 GB | ~8 GB | 适合笔记本 GPU |
| qwen2.5-coder:7b | ~4.7 GB | ~6-8 GB | ~16 GB | 推荐默认 |
| qwen2.5-coder:14b | ~9 GB | ~12 GB | ~32 GB | 需要独立显卡 |
| qwen2.5-coder:32b | ~20 GB | ~24 GB | ~64 GB | 最强本地编码模型 |
如果有 NVIDIA GPU，安装 NVIDIA Container Toolkit 后可启用 GPU 加速，大幅提升推理速度。
适用场景
- 多模型对比：在同一个工作区中对比 Claude、GPT、Gemini 对同一问题的回答质量
- 离线 AI 工作台：在无网络环境中部署本地模型，配合 RAG 知识引擎使用
- 团队协作：自托管后，团队成员共享同一个 AI 工作台，统一管理模型密钥
- 自动化流程：通过 API 将 Bike4Mind 集成到 CI/CD、自动化测试等流程中
- 研究与实验：快速切换不同模型和参数，对比分析结果差异
总结
Bike4Mind 的优势在于它的多模型统一性和自托管灵活性。它不是一个”又一个 AI 平台”，而是一个让你在同一界面中驾驭多个 AI 模型的工作台。对于需要频繁切换模型、关注数据隐私、或希望完全离线运行 AI 的开发者来说，这是一个值得关注的选择。
如果你对数据控制权有要求，自托管版可以在自己的服务器上运行，所有数据不出网；如果你只是想快速体验，托管版注册即用，无需任何配置。两种方式的核心功能完全一致。
相关链接：