OPL 数据空间可以做什么
一个界面，连接所有 AI 模型。私有、可扩展，并且适合团队。
OPL 数据空间用一个统一平台替代团队每天在不同 AI 工具之间切换的拼凑式工作流。写作去 ChatGPT、生成图片用另一套工具、查文档再开一个应用、Prompt 散落在各种表格里，这些都可以被收敛到同一个地方：会话、知识、工具、模型，以及运营真实团队所需的治理能力。
💬 聊天与会话
连接任意模型，在对话中随时切换，并保留上下文。
会话是 OPL 数据空间的核心。你可以通过同一个界面与 Ollama、OpenAI、Anthropic 或任意兼容 OpenAI 的提供方对话。上传文件、搜索网页、执行代码、让 AI 调用工具，都不需要离开聊天界面。
| 🔀 多模型聊天 | 并排运行两个模型，对比回答 |
| 📎 文件与图片上传 | 给 AI 附加文档、图片和代码进行分析 |
| 🔍 网页搜索 | AI 实时搜索网页并引用来源 |
| 🐍 代码执行 | 直接在浏览器运行 Python，或通过 Open Terminal 执行 |
| 📝 消息队列 | AI 回复时你仍可继续输入，消息会自动排队发送 |
| 🧠 记忆 | AI 能跨会话记住关于你的事实 |
| 🗂️ 文件夹、标签、置顶 | 按你的方式组织对话 |
| 🎤 语音与音频 | 语音转文本、文本转语音、免手操作的语音/视频通话 |
| 🖼️ 图像生成 | 借助 DALL-E、Gemini、ComfyUI 等创建与编辑图像 |
| ⏱️ 自动化 | 按计划定时运行 Prompt |
| ✅ 任务管理 | 让模型维护结构化任务清单，适配多步骤工作流 |
| 👥 团队空间 | 把个人工作区与团队协作区分开来 |
📚 知识与 RAG
把你的文档交给 AI，并让它准确找出关键内容。
上传文件、构建知识库，让 AI 检索它需要的信息。大规模集合可以使用向量搜索（RAG），追求精确时可以直接注入完整文档内容。结合原生函数调用后，模型还能自主搜索、浏览并综合整个知识库。
| 📄 9 种向量数据库 | 官方维护 ChromaDB 和 PGVector，也支持社区方案如 Qdrant、Milvus、Elasticsearch 等 |
| 🔍 混合搜索 | BM25 + 向量检索，并支持 cross-encoder rerank |
| 📑 5 种抽取引擎 | Tika、Docling、Azure、Mistral OCR、自定义加载器 |
| 🤖 Agentic 检索 | 模型可自主搜索和阅读你的文档 |
| 📄 全文上下文模式 | 注入整份文档，不切块、不猜测 |
🤖 模型与智能体
用自定义说明、工具和知识包装任意模型，构建专用智能体。
你可以创建一个永远遵循团队代码规范的“Python Tutor”，一个套用了公司模板的“会议总结助手”，或者一个预装 lint 规则的“代码审查员”。每个智能体本质上都是一层配置包装：选择基础模型，再绑定知识、工具和系统提示词。
| 🧩 模型预设 | 系统提示词、工具、知识和参数统一打包 |
| 🏷️ 动态变量 | 自动注入 {{ USER_NAME }}、{{ CURRENT_DATE }} |
| 🔧 绑定工具 | 为某个模型强制开启指定工 具 |
| 👥 访问控制 | 把模型限制给特定用户或组 |
| 📊 全局默认值 | 为所有模型设置基础能力与参数 |
📝 笔记
在 AI 陪伴下写作、思考与润色。
这是一个独立于具体对话之外的内容工作区。你可以在富文本编辑器中写作，用 AI 原地改写选中的内容，也可以把笔记附加到任意聊天中，以完整精度注入上下文，不需要切块，也不需要向量检索。
| ✍️ 富文本编辑器 | Markdown 与 Rich Text，带浮动格式工具栏 |
| 🤖 AI 增强 | 原地重写或改进选中文本 |
| 📎 上下文注入 | 把笔记附加到对话中，完整传递上下文 |
| 🔍 Agentic 访问 | 模型可以自主搜索、读取和更新笔记 |
💬 频道
团队成员 与 AI 在同一个时间线里共同思考。
频道是持久共享空间，人类和 AI 模型可以在同一条会话流里一起参与。你可以先 @gpt-4o 起草方案，再 @claude 让它审视，这两次回答都会留在同一个时间线里，整个团队都能看到。
| 🤖 @模型标签 | 按需把任意 AI 模型拉进会话 |
| 🧵 线程与表情反馈 | 支持回复、置顶与表情反应 |
| 🔒 访问控制 | 公共、私有、基于组以及私信频道 |
| 🧠 AI 频道感知 | 模型可以跨频道搜索并整合信息 |
⚡ Open Terminal
给 AI 一台真正可以工作的计算机。
把真实计算环境接入 OPL 数据空间。AI 可以写代码、执行、读取输出、修复错误并持续迭代，全部都在聊天里完成。它还可以处理文件、安装依赖、启动服务，并把结果返回给你。
| 🖥️ 代码执行 | 运行真实命令并返回输出 |
| 📁 文件浏览器 | 在侧边栏浏览、上传、下载和编辑文件 |
| 🌐 网站预览 | 在 OPL 数据空间内实时预览 Web 项目 |
| 🔒 可选隔离 | 可运行在 Docker 容器或裸机环境 |
🔌 扩展能力
通过 Python 工具、Pipelines、MCP 或 OpenAPI 服务器增加任意能力。
OPL 数据空间是一个平台，而不是封闭产品。你可以编写在聊天中运行的 Python 工具，通过 OpenAPI 或 MCP 接入外部服务，构建过滤、转换或路由每条消息的 pipeline，也可以一键导入社区插件。
| 🐍 工具与函数 | 可在聊天中执行的 Python 脚本，内置代码编辑器 |
| 🔧 流水线 | 用于 filter、provider 与自定义逻辑的模块化插件框架 |
| 🔗 MCP 支持 | 原生支持 Model Context Protocol 的 Streamable HTTP |
| 🌐 OpenAPI 服务器 | 从兼容 OpenAPI 的端点自动发现工具 |
| 📝 技能 | 教模型如何处理任务的 Markdown 指令集 |
| ⚡ 提示词 | 带类型化输入与版本控制的斜杠命令模板 |
🔐 认证与访问控制
控制谁能进来、能做什么、如何接入你的身份体系。
OPL 数据空间从第一天开始就是多用户系统。你可以定义角色、创建用户组、配置按模型划分的访问权限，并接入身份提供方。从个人部署到拥有数千席位的组织都适用。
| 👥 RBAC | 角色、用户组、组织感知权限以及审查角色 |
| 🔐 SSO/OIDC/LDAP | 与任意身份提供方做联合认证 |
| 📋 SCIM 2.0 | 自动化用户与用户组开通 |
| 🔑 API 密钥 | 程序化访问能力，权限继承自创建者当前作用域 |
🔧 管理
监控使用情况、评估模型质量，并向用户发布运营信息。
| 🏢 组织 | 租户边界、组织感知管理作用域，以及平台全局资源 |
| 📊 分析 | 消息量、Token 消耗与成本跟踪仪表盘 |
| 👤 个人分析 | 每个用户都可自助查看自己的使用数据 |
| 🏆 评测 | Model arena、盲测 A/B 与基于 ELO 的排行榜 |
| 🕵️ 审计 | 用于聊天记录与频道活动的只读审查流程 |
| 📢 公告横幅 | 可自定义的系统级公告 |
| 🔔 Webhook | 处理注册、对话完成与外部集成通知 |
🏗️ 随处部署
Docker、Kubernetes、pip、裸机都可运行，并支持横向扩展与生产级可观测性。
| 🐳 Docker & Compose | 一条命令部署，并支持 GPU |
| ☸️ Kubernetes & Helm | 面向生产的编排 |
| 📦 pip install | pip install open-webui && open-webui serve |
| ☁️ 云存储 | 通过 S3、GCS、Azure Blob 构建无状态实例 |
| 📊 OpenTelemetry | 把 trace、指标与日志接入你的观测系统 |
| ⚖️ 横向扩展 | Redis 会话、多 worker、多节点 |