搭建专属AI聊天网站:NextChat + 蓝耘MaaS平台完整部署指南

搭建专属AI聊天网站:NextChat + 蓝耘MaaS平台完整部署指南

文章目录

项目概述

在AI迅猛发展的今天,拥有一个私人AI聊天网站已不再是奢望。本教程将指导您如何零编码搭建一个专业级AI聊天平台,具体包括:

  • 🚀 部署NextChat前端界面到Vercel(支持免费托管)
  • 🔌 接入蓝耘MaaS平台的Kimi-K2-Instruct等高性能AI模型
  • 🔒 配置访问密码保护您的聊天平台
  • 🛠️ 实现一个实用的BMI健康指数计算器案例

准备工作:您需要准备GitHub账号和蓝耘平台账号

第一步:注册蓝耘平台并获取API凭证

1.1 注册蓝耘MaaS平台

首先访问蓝耘MaaS平台官网进行注册。平台为新用户提供大量免费token,可以充分测试各种模型。

蓝耘注册页面

1.2 获取API密钥

登录后,进入MaaS平台选项卡,您将看到多种可调用的AI模型:

蓝耘MaaS平台模型列表

在左侧菜单中找到"API KEY管理",点击"创建API KEY",系统会生成API密钥。请妥善保存这个密钥,它是连接AI模型的关键。

API密钥管理界面

1.3 获取模型信息和接口地址

在MaaS模型广场中,选择您想使用的模型(本教程以Kimi-K2-Instruct为例)。点击查看详情后,您可以看到模型路径为/maas/kimi/Kimi-K2-Instruct

Kimi模型详情页

蓝耘提供了OpenAI兼容接口,可在MaaS平台文档中找到。接口地址为:https://maas-api.lanyun.net/v1

蓝耘OpenAI兼容接口文档

第二步:一键部署NextChat

2.1 开始部署流程

访问NextChat的GitHub仓库,点击Deploy按钮开始部署流程。

NextChat部署入口

2.2 关联GitHub账号

点击Continue with GitHub,然后按提示完成GitHub账号关联。

继续使用GitHub

如果是首次使用,需点击Add GitHub Account添加GitHub账号,并完成授权安装。

添加GitHub账号


安装NextChat

2.3 创建项目

设置项目名称(注意:只能使用小写英文字母),然后点击Create创建项目。

创建NextChat项目

2.4 配置基本参数

输入蓝耘MaaS平台的API密钥,并设置一个访问密码(用于保护您的聊天平台),然后点击Deploy开始部署。

配置NextChat基本参数

耐心等待部署完成,系统会显示部署成功的提示。

部署完成

2.5 高级环境变量配置

点击Continue to Dashboard前往控制面板,然后点击Settings进入设置页面。

进入控制面板


进入设置页面

Environment Variables部分,添加以下环境变量:

环境变量说明
DEFAULT_MODEL/maas/kimi/Kimi-K2-Instruct设置默认模型:用户打开聊天页时默认使用Kimi-K2-Instruct模型
BASE_URLhttps://maas-api.lanyun.netAPI基础地址:指向蓝耘的OpenAI兼容接口(NextChat会自动添加/v1)
CUSTOM_MODELS-all,+/maas/kimi/Kimi-K2-Instruct自定义模型列表:隐藏所有默认模型,只显示Kimi模型
HIDE_USER_API_KEY1隐藏API输入框:用户只能使用您配置的API Key,提高安全性
提示:NextChat会自动在BASE_URL后添加/v1/chat/completions,所以这里只需填写域名部分。
配置环境变量

配置完成后点击SAVE保存。您可以在下方看到所有已配置的环境变量,包括初始设置的OPENAI_API_KEYCODE

已配置的环境变量

2.6 重新部署应用

环境变量更新后,需要重新部署应用使配置生效。点击Deployments,切换到Production环境,找到最新版本点击Redeploy

重新部署


选择重新部署

部署完成后,您可以通过类似https://your-project.vercel.app的地址访问您的AI聊天平台。

访问地址

第三步:访问和测试您的AI聊天平台

3.1 首次登录

首次访问平台时,系统会要求输入访问密钥,即您之前设置的CODE环境变量。

输入访问密钥

输入正确密码后,您将进入聊天界面。

聊天界面

3.2 功能测试

发送一条测试消息(如"你好,请介绍一下自己"),验证系统是否正常工作。

测试对话

第四步:AI应用开发案例 - BMI健康指数计算器

4.1 向AI提出需求

在聊天框中,向AI提出明确的需求:“请你使用CSS+JS+HTML给我实现一个BMI健康指数计算器”。

向AI提出需求

4.2 获取和使用代码

AI会生成完整的HTML、CSS和JavaScript代码。您可以将这些代码保存为HTML文件,直接在浏览器中打开使用,或集成到您的网站中。

<!DOCTYPEhtml><htmllang="zh-CN"><head><metacharset="UTF-8"/><title>BMI 健康指数计算器</title><style>*{box-sizing:border-box;font-family:-apple-system,BlinkMacSystemFont,"Segoe UI",Roboto,"Helvetica Neue",Arial,"Noto Sans",sans-serif}body{margin:0;padding:30px;background:#f4f6fa;color:#333;display:flex;justify-content:center}.wrapper{max-width:420px;width:100%}h2{margin:0 0 15px;font-size:24px;text-align:center}label{display:block;margin-bottom:5px;font-weight:600}input,select{width:100%;padding:10px;margin-bottom:15px;border:1px solid #bbb;border-radius:4px}button{width:100%;padding:10px;background:#007bff;color:#fff;border:none;border-radius:4px;font-size:16px;cursor:pointer}button:hover{background:#0069d9}#result{margin-top:20px;padding:15px;border-radius:6px;font-weight:bold;text-align:center}.success{background:#d4edda;color:#155724;border:1px solid #c3e6cb}.warning{background:#fff3cd;color:#856404;border:1px solid #ffeaa7}</style></head><body><divclass="wrapper"><h2>BMI 健康指数计算器</h2><label>身高 (cm) <inputtype="number"id="height"placeholder="例如:170"></label><label>体重 (kg) <inputtype="number"id="weight"placeholder="例如:65"></label><buttononclick="calculateBMI()">计算 BMI</button><divid="result"style="display:none;"></div></div><script>functioncalculateBMI(){const height =parseFloat(document.getElementById("height").value);const weight =parseFloat(document.getElementById("weight").value);const resultDiv = document.getElementById("result");if(!height ||!weight || height <=0|| weight <=0){alert("请输入有效的身高和体重!");return;}// 公式:BMI = 体重(kg) / 身高(m)^2const heightM = height /100;const bmi =(weight /(heightM * heightM)).toFixed(1);let category ="";if(bmi <18.5) category ="偏瘦";elseif(bmi <24) category ="正常";elseif(bmi <28) category ="偏胖";else category ="肥胖"; resultDiv.className ="success"; resultDiv.style.display ="block"; resultDiv.innerHTML =` 您的 BMI 值为 <strong>${bmi}</strong>,属于 <strong>${category}</strong> 范围。 `;}</script></body></html>

4.3 测试BMI计算器

将代码保存为HTML文件并打开,您可以看到一个功能完整的BMI计算器:

BMI计算器效果

之后我们可以继续与AI对话,要求它添加更多功能,如健康建议、历史记录保存、更详细的体型分析等。

总结

通过本教程,我们已经成功搭建了一个专业级的AI聊天平台,无需编写任何代码,只需简单配置即可完成。
希望本教程对您有所帮助,祝您使用愉快!

Read more

简单理解:单片机怎么和FPGA通信

了解单片机与 FPGA 之间的通信方式,这是嵌入式系统中非常常见的硬件交互场景,核心是要根据传输速率、硬件资源、开发复杂度选择合适的通信协议。 一、主流通信方式及实现方案 单片机和 FPGA 通信主要分为并行通信和串行通信两大类,下面按从易到难、从低速到高速的顺序介绍: 1. 通用 IO 口(GPIO)自定义协议(最简单) 适合低速、短距离、数据量小的场景(如按键、状态交互),完全自定义通信规则,开发灵活。 * 硬件连接: * 单片机:1 个输出引脚(发送) + 1 个输入引脚(接收) * FPGA:1 个输入引脚(接收) + 1 个输出引脚(发送) * 需共地,建议加 10K 上拉电阻提高稳定性。 * 单片机端(C 语言,

OpenClaw中飞书机器人配置指南:如何让群消息免 @ 也能自动回复

用 OpenClaw 做飞书机器人时,默认配置下,群里的消息必须 @ 机器人 才能触发回复。这在很多场景下很不方便——如果希望机器人在群里"隐身"工作,不用 @ 就能自动监听和回复,需要额外配置。 本文记录我解决这个问题的完整过程,供同样踩坑的同学参考。 问题描述 现象: * 飞书群里 @ 机器人 → 正常回复 ✅ * 飞书群里不 @ 机器人 → 没有任何反应 ❌ 环境: * OpenClaw 框架 * 飞书自建应用(机器人) * WebSocket 长连接模式 解决过程 第一步:修改 OpenClaw 配置 在 openclaw.json 中找到飞书渠道配置: "channels":{"feishu":{"requireMention&

专访越擎科技,为什么选择iRobotCAM机器人离线编程软件作为机器人激光加工首选方案

专访越擎科技,为什么选择iRobotCAM机器人离线编程软件作为机器人激光加工首选方案

摘要:激光具备高精度的特性,而激光设备如何实现高精度的应用,不仅涉及设备的硬件精度,也涉及到软件的适配精度。本文通过对话越擎科技CEO,从行业洞察角度,越擎科技研发的iRobotCAM机器人离线编程软件背后的技术架构优势,如何确保实现激光高精度加工适配。 由于激光工艺的高精度的特性,各类激光加工设备应运而生,不断的满足各类的应用场景的需求。而对于设备的精度控制,除了激光器等相关硬件的调试外,软件也是其关键的一环。以机器人激光加工为例,iRobotCAM提供了全面的激光加工工艺模块,可以适配各类不同的机器人,通过其高精度的技术架构的优势,满足各类高精尖或复杂的产品加工需求。 而更具体的讲,作为跨平台架构的iRobotCAM,从全国产的角度来看,选择iRobotCAM作为机器人激光工艺应用软件有哪些明显的优势。 技术层面 * 高精度轨迹算法:基于国产中望3D平台开发的iRobotCAM版本,能够利用中望3D的各类2轴到5轴的轨迹算法,使机器人在激光加工过程中拥有类似CAM软件的精确轨迹算法,可将激光束准确地聚焦在加工部位,实现高精度的激光切割、焊接、雕刻等工艺,确保加工质量和一致性

Stable Diffusion(SD)完整训练+推理流程详解(含伪代码,新手友好)

Stable Diffusion(SD)完整训练+推理流程详解(含伪代码,新手友好)

Stable Diffusion(SD)的核心理论基石源自论文《High-Resolution Image Synthesis with Latent Diffusion Models》(LDM),其革命性创新在于将扩散模型从高维像素空间迁移至 VAE 预训练的低维潜空间,在大幅降低训练与推理的计算成本(相比像素级扩散模型节省大量 GPU 资源)的同时,通过跨注意力机制实现文本、布局等多模态条件控制,兼顾了生成质量与灵活性。本文将基于这一核心思想,从数据预处理、模型训练、推理生成到 LoRA 轻量化训练,一步步拆解 SD 的完整技术流程,每个关键环节均搭配伪代码,结合实操场景,理解 SD 的工程实现。 论文地址:https://arxiv.org/pdf/2112.10752 论文代码:https://github.com/CompVis/latent-diffusion