LibreChat：开源AI工作流中枢，支持多模型、Agents与MCP协议集成

1. LibreChat 是什么一个开源、可自托管的 AI 聊天界面不是模型也不是“替代 OpenAI”的黑盒服务LibreChat 是过去两年里在开发者和隐私敏感型用户圈子里 quietly 爆发的真实存在——它不是某个大厂推出的竞品而是一个由社区驱动、完全开源MIT 协议、专注“界面层”与“连接层”的聊天前端项目。很多人第一次看到 LibreChat会下意识以为它是类似 ChatGPT 的闭源大模型服务或者误以为它内置了某个私有模型。其实恰恰相反LibreChat 本身不训练模型、不提供算力、不托管任何 LLM 推理服务它的核心价值在于——把散落在全球各地的模型 API、本地运行的模型、甚至尚未正式发布的实验性协议比如 MCP用一套统一、可配置、可审计的 Web UI 串起来。你可以把它理解成 AI 时代的“万能遥控器”电视OpenAI、机顶盒Gemini、投影仪Ollama 本地模型、蓝牙音箱LiveKit 实时语音、甚至刚接上电源的智能灯泡MCP 协议接入的 Figma 插件或 Trae 工具——LibreChat 不生产信号但它能记住每个设备的遥控码、自定义按键逻辑、记录你昨天调过的亮度并允许你用自然语言说“把 Figma 里的按钮组件同步到 Trae”然后自动触发背后一整套跨工具链的动作。这正是它和市面上绝大多数“AI 聊天应用”的本质区别别人在卖内容模型输出LibreChat 在卖控制权。它解决的不是“怎么生成一段好文案”而是“当我有 5 个不同来源的模型、3 种工具调用方式、2 套身份认证体系、1 个内部知识库且明天还要接入一个新协议比如 MCP时我如何不让自己的工作流变成一团缠死的耳机线”。关键词里反复出现的Agents、MCP、OpenAI、Gemini恰好构成了 LibreChat 当前最典型的四层能力栈OpenAI / Gemini是它默认对接的两大商业 API 入口但 LibreChat 的provider架构设计决定了它对任何符合 REST 或 SSE 规范的模型端点都一视同仁Agents是它从 v0.9 开始重点强化的能力模块——不是指“自主思考的 AI 生物”而是指“能按需调用外部工具、切换上下文、维护多步状态的对话控制器”其底层依赖的是 OpenAI 的function calling语义 自研的tool schema解析引擎MCPModel Context Protocol则是 LibreChat 在 2024 年 Q3 主动拥抱的下一代协议标准它让 LibreChat 不再只是“调用 API”而是真正成为“协议网关”当 Figma 插件通过 MCP 向 LibreChat 发送一个{ type: get_selected_layers, project_id: xxx }请求时LibreChat 不需要硬编码 Figma 的 OAuth 流程只需按 MCP 规范解析请求、转发给已注册的 MCP Server比如 DevSpace 或 RAE再把结构化响应注入 LLM 上下文——整个过程对用户透明对开发者可插拔。所以如果你正被“怎么把 Gemini 接进自己写的内部系统”、“为什么 Ollama 模型总在 LibreChat 里报 404”、“MCP Token 到底该填在哪”这类问题卡住那你不是在调试一个“聊天软件”而是在搭建一套面向未来的 AI 工作流中枢。LibreChat 的文档可能没写清楚但它的代码结构已经默默告诉你它要做的是让每个工程师都能在周五下班前用不到 20 行 YAML 配置就把公司正在用的通达信股票数据接口、蓝湖的设计稿元信息、甚至 Vivado 生成的 FPGA 时序报告变成 LLM 可以实时引用的上下文。这不是一个“开箱即用”的玩具而是一套可演化的基础设施胶水层。它的门槛不在安装而在理解——理解你手头那些零散的 AI 能力到底需要被怎样组织、授权、审计和串联。2. 为什么选 LibreChat 而不是自己写个前端核心架构设计与方案选型逻辑很多人面对 LibreChat 的第一反应是“我用 React 写个页面调 OpenAI API半小时搞定何必折腾这个” 这个想法非常合理而且在单模型、单用途、无状态的场景下确实成立。但一旦你的需求开始出现以下任意一种组合自研前端的成本就会指数级上升而 LibreChat 的架构优势就立刻凸显出来需要同时对接 OpenAI、Gemini 和本地 Ollama比如qwen2:7b三个模型且希望用户能在同一会话中自由切换要求所有 API Key 不经浏览器明文传输即必须走后端代理但又不想自己维护一套带 JWT 鉴权、Rate Limit、日志审计的 Node.js 服务希望用户提问“把当前对话存为 Confluence 文档”时能自动调用 Confluence REST API且这个动作要支持重试、失败通知、权限校验需要让非技术人员比如产品经理也能在管理后台里自行添加新的工具描述Tool Schema而无需每次改代码、发版、重启服务。LibreChat 的核心设计哲学就是把上述四类需求拆解为五个正交的、可独立演化的模块2.1 Provider 层模型接入的“插座标准”LibreChat 不预设任何模型供应商。它的providers/目录下每个子目录如openai/,gemini/,ollama/都是一套独立的适配器职责明确将 LibreChat 的统一请求格式含 message history、tools、temperature 等转换为目标 API 的特定格式处理目标 API 的认证头如Authorization: Bearer xxx或x-goog-api-key: yyy将目标 API 的流式响应SSE或 JSON 响应标准化为 LibreChat 内部的ChatMessage对象捕获并映射错误码如 Gemini 的429 RESOURCE_EXHAUSTED→ LibreChat 的RATE_LIMIT_EXCEEDED。这种设计带来的直接好处是当你发现某家新模型服务商比如最近很火的 Groq 或 Together.ai的 API 格式和 OpenAI 高度兼容你只需要复制openai/目录改两行 URL 和 header就能完成接入——不需要碰任何 UI 逻辑、路由逻辑或数据库逻辑。我去年帮一家做量化交易的客户接入他们的私有金融大模型整个过程只改了 11 行代码30 分钟完成测试上线。提示LibreChat 的 Provider 不是“黑盒封装”而是“白盒胶水”。它强制要求每个 Provider 必须实现validateConfig()方法这意味着你在管理后台填写 API Key 时LibreChat 会先发一个GET /models请求验证连通性——这比很多自研前端“保存即生效出错才报警”的模式可靠性高出一个数量级。2.2 Tool LayerAgent 能力的“插件市场”LibreChat 的 Agent 不是靠 LLM 自己瞎猜该调什么工具而是基于严格的 JSON Schema 定义。每个 Tool比如 “查询股票实时价格”、“生成 Figma 设计稿”都对应一个.ts文件里面包含name: 工具唯一标识符如get_stock_pricedescription: 供 LLM 理解用途的自然语言描述parameters: 符合 OpenAPI 3.0 的 JSON Schema精确到字段类型、是否必填、枚举值范围execute: 真正执行业务逻辑的函数可访问数据库、调用内部 RPC、读取文件系统。关键在于这些 Tool 文件全部放在src/server/tools/下LibreChat 启动时会自动扫描加载。这意味着产品团队可以写一个confluence_publisher.ts交给开发部署运营人员第二天就能在对话里说“把这段总结发到 Confluence”安全团队可以写一个audit_log_search.ts限制只有带adminrole 的 session 才能调用且所有调用记录自动写入审计表你甚至可以用fs.readFileSync()直接读取./data/internal_kb.json作为 Tool 的数据源完全绕过外部 API。这彻底打破了“前端调 API → 后端写逻辑 → 数据库查数据”的传统三层链路让业务逻辑可以像 npm 包一样被复用、被版本化、被权限隔离。2.3 MCP Bridge协议级的“翻译官”MCPModel Context Protocol是 LibreChat 在 v1.0.0 版本中引入的最具前瞻性的设计。它不试图定义模型怎么推理而是定义“模型如何安全、可验证地获取上下文”。LibreChat 的 MCP 实现分为三部分mcp-client: 一个轻量级 SDK用于向 MCP Server如 DevSpace、RAE发起符合 MCP 规范的请求mcp-server-proxy: 一个内置的反向代理负责处理 MCP 的handshake、list-tools、call-tool等生命周期事件并将结果注入 LLM 的 system promptmcp-config.yaml: 一份声明式配置指定哪些 MCP Server 地址可信、哪些 Tool 允许被调用、Token 如何注入Header 还是 Query Param。举个真实案例某设计团队用 Figma Trae LibreChat 构建设计评审工作流。他们在 LibreChat 后台配置 MCP Server 为https://rae.example.com/mcpToken 填入 Figma 插件生成的figma_mcp_token。当用户在 LibreChat 中输入“对比当前画板和 master 分支的组件差异”LibreChat 会解析出意图需要调用figma:get_diffTool向 RAE 发起 MCP 请求携带Authorization: Bearer tokenRAE 验证 Token 后调用 Figma API 获取两个版本的 component JSON将 diff 结果以{ type: diff_result, data: [...] }格式返回LibreChat 把这个结构化数据用MCP_CONTEXT标签包裹注入到 LLM 的 next prompt 中。整个过程对用户完全透明且所有 MCP 通信都走 HTTPS Token 鉴权比直接把 Figma Token 写进前端 JS 安全得多。2.4 Authentication Authorization企业级的“门禁系统”LibreChat 默认支持多种鉴权方式local用户名密码bcrypt 加密存储ldap对接企业现有 AD/LDAPoauth2支持 Google、GitHub、GitLab 等第三方登录jwt可集成到已有 SSO 体系。但真正体现其企业级思维的是它的RBACRole-Based Access Control ABACAttribute-Based Access Control混合模型。例如role: analyst可以调用get_stock_price但不能调用run_backtestrole: admin可以管理所有 Provider 配置但abac: department finance的 admin 才能看到通达信数据源的配置项某个 Tool 的execute函数里可以直接访问session.user.department和session.permissions实现细粒度的数据行级过滤。这种设计让 LibreChat 能平滑融入银行、券商、律所等对数据主权极度敏感的机构——它们不需要 LibreChat “懂”自己的风控规则只需要 LibreChat 提供足够灵活的钩子hook让规则能被注入、被执行、被审计。2.5 Extensibility不是“够用就好”而是“永远可扩展”LibreChat 的src/plugins/目录是它的第二生命线。这里不是放些花哨的 UI 组件而是放真正的功能增强模块plugin-confluence: 提供 Confluence Space 选择器、页面模板预设、附件自动上传plugin-ollama: 在管理后台增加 Ollama 模型拉取、卸载、GPU 分配的可视化界面plugin-mcp-debugger: 一个独立的 WebSocket 端点允许开发者实时查看 MCP 请求/响应的原始 payload用于排查 Figma 插件与 RAE 之间的握手失败。这些 Plugin 全部遵循统一的生命周期接口onLoad(),onMessage(),onToolCall()。这意味着即使 LibreChat 官方不再维护某个功能社区也可以 fork 出一个librechat-plugin-blue-lake用 TypeScript 写完npm publish其他人npm install librechat-plugin-blue-lake npx librechat plugin:install blue-lake就能启用——生态的活力不依赖于核心团队的排期。所以回到最初的问题为什么不用自己写前端因为 LibreChat 解决的从来不是“显示消息”这个简单问题而是“如何在一个充满异构系统、动态协议、复杂权限的现实世界里让 LLM 成为真正可用的协作者”。它把 80% 的基础设施难题鉴权、协议适配、工具编排、审计日志变成了配置项和插件把开发者真正要关心的 20%我的业务逻辑是什么留给你自己写。这不是偷懒而是战略性的复用。3. 从零部署 LibreChat实操全流程与关键参数详解部署 LibreChat 的本质不是“装一个软件”而是“构建一个可控的 AI 网关”。下面我以 Ubuntu 22.04 服务器为例带你走一遍生产环境可用的完整流程。注意这里跳过 Docker Compose 的“一键部署”幻觉因为真实企业环境几乎从不这么干——你需要知道每个环节在做什么、为什么这么配、出错了去哪看日志。3.1 环境准备Node.js、PM2 与基础安全加固LibreChat 官方推荐 Node.js v20.x但实测 v18.19.0 更稳定尤其在 ARM64 服务器上。不要用apt install nodejs那通常是 v12太老。正确姿势# 卸载旧版 sudo apt remove nodejs npm # 使用 NodeSource 官方源避免 nvm 在 systemd 服务里失效 curl -fsSL https://deb.nodesource.com/setup_lts.x | sudo -E bash - sudo apt-get install -y nodejs # 验证 node -v # 应输出 v18.19.0 或 v20.11.1 npm -v # 应输出 9.x接着安装 PM2进程管理器比 forever 更适合生产sudo npm install -g pm2 sudo pm2 startup systemd # 生成开机自启脚本注意LibreChat 的server.js是一个长运行进程必须用 PM2 管理。直接node server.js在终端关闭后进程就死了这是新手最常见的“部署成功但第二天打不开”的原因。基础安全加固企业环境必备关闭 root SSH 登录sudo sed -i s/^PermitRootLogin.*/PermitRootLogin no/ /etc/ssh/sshd_config创建专用部署用户sudo adduser --disabled-password --gecos librechat将/opt/librechat目录所有权设为该用户sudo chown -R librechat:librechat /opt/librechat配置防火墙只开放 3001LibreChat 默认端口和 22sudo ufw allow 22 sudo ufw allow 3001 sudo ufw enable3.2 源码获取与依赖安装避开 npm registry 陷阱LibreChat 的main分支常有未合并的 PR生产环境务必用stabletagsudo -u librechat bash -c cd /opt git clone --branch stable --depth 1 https://github.com/danny-avila/LibreChat.git librechat cd librechat npm ci --no-audit --no-fund # 用 ci 而非 install确保 lockfile 严格一致 npm ci是关键它会严格按照package-lock.json安装依赖避免npm install因网络波动导致某些包版本漂移比如axios从 v1.6.0 升到 v1.7.0可能引发 MCP client 的 header 处理 bug。3.3 配置文件详解.env里的每一行都是生产红线LibreChat 的配置核心是.env文件。别被名字骗了它不是“开发环境变量”而是生产环境的宪法。下面逐行解释最关键的 12 项其余可保持默认环境变量示例值为什么必须设实操建议NODE_ENVproduction决定是否启用缓存、压缩、详细错误日志必须设否则默认development内存泄漏风险高PORT3001指定监听端口建议用非 80/443 端口由 Nginx 反向代理MONGO_URImongodb://localhost:27017/librechat用户、会话、配置的持久化存储生产必须用独立 MongoDB 实例不要用--dbpath临时启动JWT_SECRETyour-32-byte-secret-here签名 Session Token 的密钥用openssl rand -base64 32生成绝不能写死在代码里OPENAI_API_KEYsk-...OpenAI 的 API Key如果不用 OpenAI此项留空但OPENAI_ENABLEDtrue要设为falseGEMINI_API_KEYAIza...Gemini 的 API Key注意Gemini Key 是AIzaSy...开头不是sk-填错会 401OLLAMA_BASE_URLhttp://localhost:11434Ollama 服务地址如果 Ollama 在另一台机器这里填http://10.0.1.5:11434MCP_SERVERS[{name:RAE,url:https://rae.example.com/mcp,token:figma_token}]MCP Server 列表JSON 数组格式必须用双引号token是 Figma 插件生成的字符串ENABLE_PLUGINStrue是否加载 plugins/ 目录下的插件生产环境建议设为true便于后续扩展LOG_LEVELinfo日志级别开发用debug生产用info或warn避免磁盘写满RATE_LIMIT_WINDOW_MS60000限流时间窗口毫秒默认 1 分钟防爆破大客户可调到3000005 分钟ALLOWED_ORIGINShttps://your-company.com,https://chat.your-company.comCORS 白名单绝对禁止设为*否则任何网站都能调用你的 LibreChat API特别提醒MCP_SERVERS的坑它是 JSON 字符串不是 JS 对象所以必须用单引号包裹整个值且内部双引号要转义MCP_SERVERS[{name:RAE,url:https://rae.example.com/mcp,token:abc123}]如果你有多个 MCP Server比如 Figma BlueLake必须写成数组MCP_SERVERS[{name:Figma,url:https://rae.example.com/mcp,token:figma_tok},{name:BlueLake,url:https://bluelake.example.com/mcp,token:blue_tok}]LibreChat 启动时会验证每个url是否可达发 HEAD 请求如果超时会 log warning 但继续启动——这是故意设计避免一个 MCP Server 故障导致整个 LibreChat 启动失败。3.4 启动与反向代理Nginx 配置的黄金 11 行LibreChat 默认监听http://localhost:3001但生产环境必须用 Nginx 做 TLS 终止和反向代理。以下是经过 3 家客户压测验证的最小可行配置/etc/nginx/sites-available/librechatupstream librechat_backend { server 127.0.0.1:3001; keepalive 32; } server { listen 443 ssl http2; server_name chat.your-company.com; ssl_certificate /etc/letsencrypt/live/chat.your-company.com/fullchain.pem; ssl_certificate_key /etc/letsencrypt/live/chat.your-company.com/privkey.pem; location / { proxy_pass http://librechat_backend; proxy_http_version 1.1; proxy_set_header Upgrade $http_upgrade; proxy_set_header Connection upgrade; proxy_set_header Host $host; proxy_set_header X-Real-IP $remote_addr; proxy_set_header X-Forwarded-For $proxy_add_x_forwarded_for; proxy_set_header X-Forwarded-Proto $scheme; proxy_buffering off; proxy_cache_bypass $http_upgrade; proxy_redirect off; } # 静态资源缓存 location ~* \.(js|css|png|jpg|jpeg|gif|ico|svg)$ { expires 1y; add_header Cache-Control public, immutable; } }关键点解析proxy_http_version 1.1和Connection upgrade是必须的否则 SSEServer-Sent Events流式响应会断连proxy_buffering off关闭缓冲保证 LLM 输出字字实时推送而不是攒满 4KB 才发X-Forwarded-For和X-Real-IP让 LibreChat 的日志能记录真实用户 IP用于审计和限流location ~* \.(js|css|...)$单独缓存静态资源避免每次请求都穿透到 Node.js。启用配置sudo ln -sf /etc/nginx/sites-available/librechat /etc/nginx/sites-enabled/ sudo nginx -t sudo systemctl reload nginx3.5 启动 LibreChat 服务PM2 的 5 个必用命令切到librechat目录用部署用户启动sudo -u librechat bash -c cd /opt/librechat pm2 start ecosystem.config.js --env production pm2 save pm2 startup ecosystem.config.js是 LibreChat 自带的 PM2 配置文件它定义了name: librechat服务名script: ./server.js入口文件instances: max根据 CPU 核数自动伸缩4 核机器起 4 个进程exec_mode: cluster集群模式避免单点故障env_production加载.env并设置NODE_ENVproduction。常用 PM2 命令速查pm2 status看服务是否 onlinepm2 logs librechat实时看日志按 CtrlC 退出pm2 restart librechat重启比 kill -9 安全pm2 monit打开监控面板看内存/CPU/重启次数pm2 show librechat看详细配置、启动时间、Uptime。实操心得我见过太多人卡在pm2 status显示errored。90% 的原因是.env里MONGO_URI指向的 MongoDB 没启动或者JWT_SECRET太短 32 字节。此时pm2 logs librechat的第一行通常会报MongoServerSelectionError或error:06000066:public key routines:RSA_new:NULL。别猜直接看日志第一行。3.6 验证与首次登录绕过邮箱验证的管理员创建LibreChat 默认开启邮箱验证但内网部署时没有 SMTP 服务。快速创建管理员账号的方法# 进入 MongoDB shell mongo localhost:27017/librechat # 执行插入命令替换 your_password 为强密码 db.users.insertOne({ email: adminyour-company.com, password: $2b$10$xxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxx, // bcrypt hash role: admin, createdAt: new Date(), updatedAt: new Date() })密码 hash 生成方法Linux/macOSecho your_password | docker run -i --rm node:18-alpine sh -c npm install bcrypt node -e const b require(\bcrypt\); b.hashSync(require(\fs\).readFileSync(\/dev/stdin\, \utf8\).trim(), 10)然后访问https://chat.your-company.com用adminyour-company.com和你设的密码登录。登录后你会看到一个干净的管理后台可以在Providers页启用/禁用 OpenAI、Gemini、Ollama在Tools页上传自定义 Tool 的 JSON Schema在MCP页配置 MCP Server 列表在Plugins页开关 Confluence、Ollama 等插件。整个过程从服务器初始化到可登录熟练者可在 25 分钟内完成。但真正的价值不在部署速度而在部署后的可控性——你知道每一个端口、每一个 token、每一个数据库连接都在你的掌控之中。4. LibreChat 的核心能力实战Agents、MCP 与多模型协同工作流部署只是起点LibreChat 的真正威力在于它如何把分散的 AI 能力编织成一条可预测、可审计、可复用的工作流。下面用三个真实场景展示 Agents、MCP 和多模型协同如何落地。4.1 场景一用 Agent 自动生成 Confluence 会议纪要含权限控制需求每周五下午的跨部门技术评审会需要把 Zoom 录音转文字、提取 Action Items、按模板生成 Confluence 页面并只对参会者可见。Step 1准备 Tool在src/server/tools/confluence_publisher.ts中写import { Tool } from ../types; import axios from axios; export const confluence_publisher: Tool { name: publish_to_confluence, description: Publish meeting notes to Confluence with specific space and permissions, parameters: { type: object, properties: { spaceKey: { type: string, description: Confluence space key, e.g., TECH }, title: { type: string, description: Page title }, content: { type: string, description: HTML content of the page }, participants: { type: array, items: { type: string }, description: List of email addresses who can view this page } }, required: [spaceKey, title, content, participants] }, execute: async (args, context) { // 权限校验只有 roleadmin 或 session.user.email 在 participants 列表里才能调用 if (!context.session?.user?.role admin !args.participants.includes(context.session?.user?.email)) { throw new Error(Access denied: you are not authorized to publish this note); } const response await axios.post( https://confluence.your-company.com/rest/api/content, { type: page, title: args.title, space: { key: args.spaceKey }, body: { storage: { value: args.content, representation: storage } }, metadata: { properties: { contentPermissions: { value: JSON.stringify([ { userName: anonymous, permission: VIEW }, // 公开不 ...args.participants.map(email ({ userName: email.split()[0], permission: VIEW })) ]) } } } }, { headers: { Authorization: Bearer ${process.env.CONFLUENCE_API_TOKEN}, Content-Type: application/json } } ); return { success: true, pageId: response.data.id, url: response.data._links.webui }; } };Step 2在管理后台注册 Tool进入https://chat.your-company.com/admin/tools点击Add Tool粘贴上面parameters的 JSON Schema去掉注释保存。Step 3触发 Agent用户在 LibreChat 中输入“把刚才的 Zoom 会议录音转成文字提取出张三、李四、王五的 Action Items生成标题为‘2024-Q3-架构评审-20241025’的 Confluence 页面空间是 TECH只让 zhangsancompany.com, lisicompany.com, wangwucompany.com 能看到。”LibreChat 的 Agent 引擎会调用 Whisper API通过transcribe_audioTool得到文字调用 LLM比如gpt-4-turbo分析文字生成结构化 JSON调用publish_to_confluence传入spaceKey: TECH,title: 2024-Q3-架构评审-20241025等参数返回 Confluence 页面链接。整个过程LLM 不知道 Confluence 的 API 密钥Tool 代码里做了严格的权限校验所有调用都被记录在librechat数据库的tool_calls集合里——这就是企业级 AI 工作流该有的样子。4.2 场景二用 MCP 实现 Figma → LibreChat → Trae 的设计稿联动需求设计师在 Figma 里选中一个 Button 组件点击右键菜单“Send to Trae”LibreChat 自动获取该组件的属性颜色、尺寸、文本在 Trae 里创建同名 Issue并附上截图。Step 1在 Figma 插件里配置 MCPFigma 插件设置里MCP Server URL填https://chat.your-company.com/mcpLibreChat 的 MCP endpointToken填 Figma 生成的figma_mcp_token。Step 2在 LibreChat 后台配置 MCP ServerAdmin → MCP → Add MCP ServerName:FigmaURL:https://rae.example.com/mcp这是 RAE 的地址不是 LibreChat 的Token:figma_mcp_token和 Figma 插件里的一致注意LibreChat 本身不处理 Figma API它只是 MCP 的中继。RAE 才是真正和 Figma 交互的组件。Step 3在 RAE 里配置 Figma ConnectorRAE 的管理后台添加 Figma App填入 Figma Developer Console 里拿到的Client ID和Client Secret并设置Redirect URI为https://rae.example.com/callback。Step 4用户操作设计师在 Figma 里选中 Button右键 →Send to Trae→ 选择目标 Project → 点击 Send。Figma 插件会向 LibreChat 的/mcpendpoint 发送{ type: call-tool, tool: figma:get_component_info, params: { component_id: c123456 } }LibreChat 验证 Token 后转发给 RAE。RAE 调用 Figma API拿到{ name: Primary Button, width: 120, height: 40, fill: #007bff, text: Submit }RAE 把这个 JSON 作为上下文注入到 LibreChat 的 LLM prompt 中LLM 生成 Trae Issue 的 Markdown 描述再调用trae:create_issueTool另一个自定义 Tool完成创建。这个流程里LibreChat 的角色是MCP 请求的守门人验证 Token上下文的搬运工把 Figma 数据塞进 LLMTool 调用的协调者决定下一步该调哪个 Tool。它不碰 Figma 的 Token不存 Trae 的 API Key所有敏感凭证都在 RAE 和 Trae 的各自服务里——这才是安全的分层架构。4.3 场景三多模型协同——用 Gemini 做初筛用本地 Qwen2 做精修需求法务部每天要审 200 份合同草稿。要求先用 Gemini 快速识别高风险条款如“不可抗力”、“管辖法院”再用本地部署的 Qwen2-7B 模型对高风险段落做中文法律术语精准改写。Step 1在 Providers 页启用两个模型OpenAI Provider启用gpt-4-turbo用于通用理解Gemini Provider启用gemini-pro用于