📄️ DeepSeek
本頁說明如何將微語對接 DeepSeek 模型，並將 DeepSeek 設為預設聊天提供商。
📄️ Ollama
本頁說明如何將微語對接本地 Ollama 服務，並在聊天與 embedding 場景中使用自託管模型。
📄️ Zhipu
本頁說明如何將微語對接智譜 AI 模型，並將 Zhipu 作為可配置的聊天與 embedding 提供商。
📄️ DashScope
本頁說明如何將微語對接阿里雲 DashScope 模型，並將 DashScope 作為預設模型提供商。
📄️ SiliconFlow
本頁說明如何將微語對接 SiliconFlow 模型，並將 SiliconFlow 作為雲端推理提供商。
📄️ GiteeAi
- 已部署微語系統
📄️ Tencent
本頁說明如何將微語對接騰訊混元模型。
📄️ Baidu
本頁說明如何將微語對接百度千帆模型，並把 Baidu 作為 AI 提供商。
📄️ OpenRouter
本頁說明如何將微語對接 OpenRouter，並透過統一 API 入口把請求路由到多個上游模型。
📄️ VolcEngine
本頁說明如何將微語對接火山引擎 Ark 模型服務。
📄️ MiniMax
本頁說明如何將微語對接 MiniMax 模型，用於聊天、embedding 與可選多模態能力。
📄️ Multimodal
微語支援多模態工作流，這代表系統可以理解並處理使用者上傳的圖片、影片與音訊，再結合知識庫輸出更精準的回答。
📄️ OpenAI
📄️ LiteLLM
📄️ LM Studio
📄️ LiteLLM
📄️ MCP
微語已經具備與 MCP（Model Context Protocol，模型上下文協議）相關的技術基礎。MCP 的價值在於，讓 AI agent 與外部工具、資源和服務之間透過統一協議進行互通，而不是依賴大量一次性的客製化整合。
📄️ Moonshot
微語對接 Moonshot Kimi 大模型的設定說明與步驟指南
📄️ MultiAgent
📄️ 工具
微語中的 Tools，是 AI 工作流調用實際業務能力的執行層。 它的核心作用，不是讓模型只輸出文本，而是讓模型在需要時能夠查詢資料、觸發動作、協同後端流程，從而完成真正可執行的業務操作。
📄️ Memory
📄️ 技能
微語已經具備面向 AI 工作流的 Skills 基礎能力。Skills 可以理解為一類可複用的能力包，用來封裝任務說明、流程知識與輔助資源，讓 AI 或 agent 在處理某類任務時更加穩定、可複用、可維護。
📄️ Harness
📄️ 文本模型指南
本頁說明如何為微語系統配置文本對話模型。文本模 型是 AI 對話、客服機器人、客服助手、會話總結與一般問答流程的基礎能力。
📄️ 向量模型指南
本頁說明如何為微語系統配置向量模型。向量模型主要用於向量檢索、知識庫召回、語義匹配，以及各類 RAG 流程。
📄️ 視覺能力總覽
微語的視覺能力主要面向客服場景中的截圖理解、圖片文本提取與圖像資訊結構化處理，幫助客服團隊更高效地處理客戶傳送的圖片類資訊。
📄️ 語音與視覺能力
微語正在逐步形成面向客服場景的語音與視覺能力體系，幫助 企業從純文本客服擴展到截圖理解、語音辨識、文本播報等多模態服務能力。
📄️ 重排序模型指南
本頁介紹如何為微語系統配置重排序模型。Rerank 模型通常位於檢索之後、模型生成之前，用於對候選結果再次打分與重新排序，從而提升知識庫檢索與 RAG 場景下的最終相關性。
📄️ OCR 能力介紹
微語客服系統支援 OCR（Optical Character Recognition，光學字元辨識）能力，可將圖片中的文字、截圖中的文字、聊天圖片中的文字內容快速提取為可編輯文本，用於客服輔助、知識整理、工單錄入、質檢分析等場景。
📄️ ASR 能 力介紹
微語客服系統支援 ASR（Automatic Speech Recognition，自動語音辨識）能力，可將語音內容即時或離線轉換為文本，適用於語音訊息轉文字、語音輸入輔助、客服質檢、音影片內容文本化等場景。
📄️ TTS 能力介紹
微語客服系統支援 TTS（Text To Speech，文本轉語音）能力，可將文本內容即時合成為語音，用於客服播報、語音回覆、輔助溝通、無障礙服務與 AI 語音互動等場景。
📄️ LLM ByteDesk
這一頁不是第三方模型平台接入指南，而是微語原生 AI 能力總覽。倉庫中已包含獨立 AI 模組，用來統一處理模型路由、機器 人編排、知識庫檢索、SSE 串流回覆，以及多模態能力延伸。
📄️ LLM Coze
本頁說明如何將微語對接 Coze Bot，並把 Coze 作為外部 LLM 應用提供商。
📄️ LLM Dify
本頁說明如何將微語對接 Dify 應用，並把 Dify 作為機器人背後的 LLM 服務。
📄️ LLM FastGpt
📄️ LLM MaxKB
本頁說明微語如何把 MaxKB 作為第三方知識庫與問答服務接入。
📄️ LLM N8N
本頁說明 n8n 在微語中的目前接入定位。
📄️ LLM RagFlow
本頁說明如何將微語對接 RagFlow，並以 Chat 或 Agent 模式作為外部知識型應用接入。
📄️ LLM WeKnora
📄️ LLM Xinference
📄️ 可觀測性
微語已經具備一定的可觀測性基礎，用於追蹤系統執行狀態、記錄執行軌跡、分析服務效能，並為問題定位與生產維運提供支撐。對於持續擴展中的 AI 工作流、多 模態處理與自動化能力來說，可觀測性會越來越重要。