OpenLapa从认识 Lapa 开始。
连接模型、工具、知识与记忆，
让自然语言需求进入可执行的任务过程。
OpenLapa 基于 CountBot 进行扩展，面向个人工作空间中的任务执行、知识检索与多角色协作。这份指南介绍项目的基本工作方式。
这是 OpenLapa 的产品展示官网。首页的任务卡片、架构和场景对话用于说明工作方式，并非在线运行的 AI 服务。
01 / 在本地开始
如已获得 OpenLapa 项目源码，请在项目根目录安装依赖并启动。模型、工具和渠道需要根据自己的运行环境配置。
python -m pip install -r requirements.txt
python start_app.py启动后，默认在本机 http://127.0.0.1:8000 访问交互界面。先配置模型提供商、接口地址与 API Key，再用一个简单任务验证模型连接和工具调用。
推荐的第一个任务：「请读取工作空间中的一份文档，并整理三条要点。」从可检查结果的小任务开始，再逐步加入更多工具和角色。
OpenLapa 的独立源码发布入口尚未在此官网提供。下方的 CountBot 链接指向上游项目；上游源码与 OpenLapa 的扩展版本存在差异。
02 / 让文档参与回答
知识检索连接文档与问题，优先找到相关的原文片段，再将证据用于回答。
- 把需要使用的资料导入项目的知识库。
- 按问题检索文档片段：关键词检索匹配具体名称，向量检索补充语义相关内容。
- 通过 RRF 融合和可选的 Reranker 重排，把更相关的片段放到前面。
- 结合来源检查回答，重要结论回到原文核对。
Embedding 与 Reranker 需要配置对应服务。未配置向量模型时，检索可以回落到 BM25；可用效果取决于资料质量、模型和具体配置。
03 / 为任务选择协作方式
Pipeline · 顺序接力
适合步骤固定的任务。一个角色完成后，把结果作为后续角色的上下文，例如「提取要点 → 撰写初稿 → 检查表述」。
Graph · 按依赖推进
将任务组织成依赖图。依赖已满足的步骤可以并发执行，后续步骤等待所需结果。适合有多个独立子任务的资料处理与分析。
Council · 多角度讨论
组织不同角色提出观点、交叉审议并汇总。适合需要比较方案、检查遗漏或讨论取舍的任务。
协作方式应由任务结构决定。更多角色也会带来更多模型请求和上下文成本。
04 / 保留重要的上下文
会话上下文帮助衔接当前对话，摘要压缩较长的历史，长期记忆保存偏好和重要事项。后续任务可以搜索记忆，再按需读取相应内容。
你可以从具体偏好开始，例如：「以后输出报告时，先给结论，再给依据。」定期查看记忆中的内容，修正已过时的信息，让后续协作建立在正确上下文之上。
05 / 常见问题
可以直接在这个网站里使用 AI 吗？
这个网站用于介绍项目和阅读指南。实际对话、工具执行和知识库运行在你部署的 OpenLapa 环境中。
必须购买某一种模型吗？
项目支持配置模型提供商和兼容接口。具体可用模型、费用以及本地模型支持，取决于你的运行环境和所选择的服务。
为什么使用海豹作为图标？
Lapa 在爱尔兰语中有「爪子」的意思。海豹的小鳍肢成为这个项目的视觉灵感，代表好奇、耐心与伸手相助。查看词义 ↗
06 / 项目来源
OpenLapa 基于 CountBot 扩展。感谢上游项目提供的基础框架。使用或分发相应代码时，请保留原项目的许可和版权声明。
官网的海豹标识、页面设计与内容为 OpenLapa 定制。