【AI实战】rakazo中文版使用教程:3869星开源AI agent,Docker一条命令跑起来

先说结论:rakazo 这个项目我关注有一阵了,原仓库 elie222/rakazo 目前 3869 stars,主语言 TypeScript,Apache-2.0 协议。它做的事情说白了就是------给你一个能自己托管、能长期保留记忆和例程的 AI agent,而不是又一个只能用网页版、数据全在别人服务器上的托管助手。

现在有人把它翻译成了中文版:yangshun2005/rakazo-cn。翻译日期是 2026-10-14,README 正文是原项目文档的中文翻译,顶部额外加了一段「中文快速上手」的补充导读。需要提前说清楚的是:这个中文版是刚发布的,翻译已完成,但 QA 还没完全跑完,所以别把它当成一个"已经过充分验证"的发行版来看。

我写这篇的目的很实际------把中文版里那段快速上手指南拆开讲一遍,顺带说说我在自托管这类 agent 项目上的一些判断。

它到底是个什么东西

按 README 的定位,rakazo 是一个开源 AI 智能体,目标是做「持久化的队友」。关键词是"持久化"和"自托管"。

客户端覆盖得挺全:Web、Electron 桌面端,还有 iPhone 和 Android。模型和计算机 provider 都可以自带,也可以整套在本地跑。README 里明确把它列成 Grok Bot、Meta Muse、OpenAI Dots、Instinct、OpenClaw、Hermes Agent、Hark Pro 这些产品的开源自托管替代方案。

这里面有个区别值得说清楚。Muse、Dots、Instinct、Hark Pro 是托管式助手,你没法自己部署;OpenClaw 和 Hermes Agent 是能自己跑的开源 agent,但文档里描述的是安装程序、配置文件、网关这一套,Hermes Desktop 虽然不用 CLI 就能进首次聊天,但消息网关还是独立进程。rakazo 走的是另一条路------跑起来之后就是聊天,跟 Grok Bot 的交互方式类似:你设一个机器人,然后通过那个聊天去管理它。

这个交互模型上的差异,实际用起来体感差别不小。我个人的偏好是,配置项越少、越接近"聊天即管理",上手成本越低,但也意味着可调的东西相对少。这个取舍没有绝对好坏,看你要什么。

另外 README 明确写了:项目目前处于 beta 阶段。这点很重要,后面我会展开。

最短路径:不 clone 仓库,不装 Node

中文版导读里给的最短路径,走的是「已发布镜像」这条路,不需要 clone 仓库,也不需要装 Node。对只是想先跑起来看看的人来说,这条路径最省事。

前置依赖就四个:Docker Engine、Compose 插件、curl、OpenSSL。装好之后执行:

bash 复制代码
mkdir -p rakazo && cd rakazo &&
curl -fsSLO https://raw.githubusercontent.com/elie222/rakazo/main/infra/compose/install-images.sh &&
bash install-images.sh

这个脚本干的事:下载 Compose 文件、生成一个带随机密钥的 .env、然后启动 Rakazo。有个细节挺贴心------重跑的时候会保留已有的 .env,不会把你之前配的密钥冲掉。

跑完之后打开 http://127.0.0.1:5173 ,创建账号,连一个模型,就能用了。

本地 Docker 计算机默认是开着的。如果你要用远程 provider,可选 e2b、daytona、createos 或者 box,各自需要配对应的 API key。

如果是要部署到服务器上,README 给的方式是分两步:先 bash install-images.sh --prepare-only,然后编辑 .env 设置 SANDBOX_PROVIDER 和 RAKAZO_HOST,再执行 bash install-images.sh。这个 prepare-only 的设计我觉得挺合理,等于给了你一个"先落盘、改配置、再启动"的窗口,而不是一把梭全自动。

环境要求这块,坑主要在网络和密钥

已发布镜像支持 linux/amd64 和 linux/arm64 两个架构。操作系统原文没明确限定,硬件要求原文也没说明------这两个点你要是拿去写选型报告,得自己实测。

源码开发路径的要求就具体多了:Node.js 22.22.2 或更高(22.x 线内)、Node.js 24.x、或者 Node.js 26+,pnpm 9,外加 Docker。注意这里有个明确的排除项------Node.js 23.x 和 25.x 不受支持。这种"奇数版本不支持"的写法在 Node 生态里不算罕见,但如果你本地正好是 23 或 25,会直接卡住,建议提前用 nvm 之类切一下。

默认镜像 tag 是 edge,也就是 main 分支构建。这意味着你拉到的不是稳定版,是跟着主干走的。beta 阶段的项目这么发很正常,但生产环境用之前心里要有数。

国内网络这块,README 提到了受限网络的应对方式:可以覆盖安装脚本的下载基址(RAKAZO_DOWNLOAD_BASE),可以跳过已有的 Compose 文件(--local 或者 RAKAZO_DOWNLOAD_SKIP_EXISTING),也可以改镜像 bootstrap 脚本的 URL。具体细节在 self-host 文档的「Restricted networks / mirror downloads」那一节。这块我没实测,只能说文档里给了口子,实际能不能顺利拉下来取决于你的镜像源。

密钥这块是新手最容易翻车的地方。README 里列了几处:

  • 模型凭据:可以设 OPENROUTER_API_KEY,或者在 onboarding 的时候连一个受支持的模型 provider。
  • 语音模式:需要自备 ElevenLabs、OpenAI、Cartesia 或者 Fish Audio 的 key。
  • 远程 provider:用 e2b、daytona、createos、box 时,各自要配对应 API key。
  • 源码开发路径:要手动配 POSTGRES_PASSWORD(并且同步到 DATABASE_URL)、BETTER_AUTH_SECRET、ENCRYPTION_KEY、SCREEN_PROXY_SECRET,如果要用 Docker 沙箱还得配 SANDBOX_SUPERVISOR_TOKEN。

这里有个我踩过的同类坑值得提醒:POSTGRES_PASSWORD 改了之后一定要同步改 DATABASE_URL,这两个不一致的话连不上库,报错信息往往不会直接指向根因,排查起来费时间。

关于选型,我的一点方法论

如果你是在企业环境里评估这类自托管 agent,我的建议是分三步走,别一上来就上生产。

第一步,先确认"自托管"对你到底是刚需还是加分项。rakazo 的核心卖点就是可自己掌控、对话/记忆/例程能长期保留。如果你只是想要个能聊天的助手,托管服务省事得多;但如果你有数据不能出内网、或者需要长期沉淀上下文这类诉求,自托管的边际价值就出来了。这个判断应该在动手之前做完,而不是部署完了再想。

第二步,把密钥和 provider 的依赖关系先画清楚。上面那一串 key 不是可选项堆砌,它们对应的是不同能力:模型、语音、远程沙箱。你先想清楚要用哪些能力,再决定配哪些 key,能省掉一堆无用配置。

第三步,beta 阶段的项目,落地顺序建议先在隔离环境跑通主流程,再考虑接真实数据。README 自己都写了是 beta,而且默认镜像是 edge tag,这两条叠加起来,我的判断是它适合先当"能力验证"用,不适合直接承载关键业务。这个结论我保留------毕竟我没在真实生产负载下压过它,样本不够。

中文版的价值在哪

回到 yangshun2005/rakazo-cn 这个仓库本身。它的价值我觉得主要在两点。

一是文档中文化。rakazo 的 README 信息密度不低,光是对比那一节就列了一串替代产品,还有自托管指南、受限网络这些细节点。全英文读下来,对不熟悉这类项目的人是有门槛的。中文版把正文翻译了,还额外加了一段「中文快速上手」,等于让你不用读完整篇 README 就能先把项目跑起来。

二是降低试错成本。那段补充导读把最短路径、环境要求、常见坑都拎出来了,尤其是"需要模型凭据""远程 provider 需额外 key""源码开发需手动配多个密钥"这几条,都是实际会卡住人的地方。提前知道,能少走弯路。

需要说明的是,这个中文版的 README 正文是原项目文档的翻译,力求忠于原文;顶部的快速上手是面向中文用户的补充导读,不是原文内容。翻译如果有不准确的地方,作者也说了欢迎提 Issue 或 PR。

最后

rakazo 这个项目本身值得关注------3869 stars、TypeScript、Apache-2.0,定位清晰,客户端覆盖全,交互模型也简单。中文版刚发布,翻译已完成,QA 还没完全通过,所以现阶段把它当"能读懂的入门材料 + 能跑起来的尝鲜版本"比较合适。

想动手的话,Docker 那条命令复制过去就能试。跑通了再决定要不要往深里用。

相关推荐
Ai-_Man1 小时前
DeepSeek生成的内容能否下载吗?
开发语言·javascript·人工智能·小程序·ecmascript
sorry3551 小时前
从零实现 nanoGPT(五):保存模型,写一个独立的文本生成程序
人工智能
做个文艺程序员1 小时前
MQ第10篇:RAG与消息队列实战:Java构建AI客服系统的检索增强生成完整架构
人工智能·架构·rocketmq·向量数据库·rag·ai客服·spring ai
Evelvnk1 小时前
计算机学习资料
开发语言·人工智能·计算机·php
用户8314550980311 小时前
如一 Agent 架构解读(十九):错误的修养——工具报错是 Agent 唯一的自纠教材
人工智能·llm
招财牛猫1 小时前
当 AI 公司用 AI 抓内鬼:从 OpenAI 会议室窃听案看内部威胁检测的技术实现
人工智能
中伟视界1 小时前
边缘AI目标检测在矿区场景的工程化部署:量化、裁剪与推理优化
人工智能·目标检测·目标跟踪
IvorySQL1 小时前
PostgreSQL 日报| pg_vectorsearch 开源向量搜索发布(10 月 14 日)
数据库·人工智能·postgresql·开源·区块链
colinu1 小时前
Docker 容器端口未发布问题快速排查文档
运维·docker·容器