🏗️ 拆解 Stargazer AI Copilot：它是如何把 .NET + AI 搭起来的？

很多同学问我：“做一个桌面版 AI Copilot，到底该怎么分层？难道就是界面套个 API 吗？”

今天不聊虚的，直接基于 Stargazer AI Copilot（.NET 10 + Avalonia）的源码结构，用一张图 + 四个核心层，带你看看一个成熟的桌面 Copilot 长什么样。

📐 一张图看懂整体架构

flowchart TB subgraph UI层 A[Views 界面] -->|绑定| B[ViewModels 视图模型] B -->|命令| C[Services 应用服务] end subgraph 大脑层 C --> D[Agent 编排核心] D --> E{Workflow 决策} E -->|Single| F[单Agent] E -->|Sequential| G[流水线] E -->|Handoff| H[接力棒] E -->|Agent-as-Tools| I[主从协作] end subgraph 手脚层 D --> J[Tools 工具集] J --> K[本地工具<br>Bash/Git/File] J --> L[远程工具<br>MCP 协议] end subgraph 外部世界 M[LLM Providers<br>OpenAI/DeepSeek/混元] N[(SQLite 数据库)] O[操作系统<br>Browser/Docker/DB] end D <--> M C <--> N J <--> O

1️⃣ UI 层：为什么 Avalonia + MVVM 是桌面 Copilot 的绝配？

在这个项目里，UI 不仅仅是“输入框 + 气泡”。

核心设计

• Shell 模式：左侧导航（聊天/Agent/技能/MCP/设置），右侧内容区。
• 数据驱动：ChatViewModel 只负责消息集合和状态，ChatView 只负责渲染。

难点突破：Markdown 渲染

普通的 WebView 太重，这个项目自己写了一个 MarkdownView 控件：

• ✅ 支持代码块、表格、图片
• ✅ 图片存本地（file:///），永不失效
• ✅ 一键复制 Markdown / HTML

经验之谈：做桌面 Copilot，UI 一定要把 “流式输出” 和 “消息持久化” 当成一等公民，否则后期改起来会非常痛苦。

2️⃣ 大脑层：Agent 才是真正的“业务对象”

这是和普通 ChatBot 最大的区别：Agent 不是一段 Prompt，而是一个可配置的对象。

Agent 的核心属性

Agent {
    Instructions  // 人格设定
    Provider       // 用哪家 LLM
    Tools          // 能调用什么工具
    Skills         // 挂载什么技能
    Workflow       // 怎么协作
}

四种协作模式（Workflow）

这是架构最精彩的地方：

3️⃣ 技能系统（Skills）：像搭积木一样拼 Prompt

这是 Stargazer 的杀手锏。它解决了 “Prompt 越写越长，越难维护” 的问题。

技能 = 指令 + 工具 + 依赖

想象你在配置一个“全栈开发助手”：

1. 定义技能：

   • 代码审查：指令（关注安全）+ 工具（Git/Bash）
   • 联网搜索：指令（查最新资料）+ 工具（Search）

2. 组合 Agent：

   • Agent 指令：你是一个助手。
   • 勾选技能：✅ 代码审查 + ✅ 联网搜索。

3. 运行时自动合成：

   你是一个助手。

   （追加） 请关注代码安全性...

   （追加） 请先搜索最新资料...

   可用工具：Git + Bash + Search。

这就实现了 Prompt 的模块化复用。

Agent 必须能干活，但不能“乱干”。

工具分类

MCP 协议的关键作用

通过 Model Context Protocol (MCP)，它可以连接远程服务器：

• 自动发现工具（tools/list）
• 动态注入到 Agent
• 企业可以把敏感操作放在内网 MCP 服务器上，桌面端只负责调用。

🔄 一条消息的生命周期

为了让你更直观，这是一个消息从发起到回复的全过程：

用户输入
  ↓
ChatViewModel (判断是否带历史 Context)
  ↓
AgentService (加载 Agent 配置 + 解析 Skills)
  ↓
LLM Provider (OpenAI SDK 兼容接口)
  ↓
[AI 思考中...]
  ↓
如果需要调用工具 (Tool Calling)
  ↓
执行工具 (Bash / Search / Browser / MCP)
  ↓
结果返回给 AI
  ↓
流式输出到 UI (MarkdownView 渲染)
  ↓
存入 SQLite (对话历史)

🎯 总结

Stargazer AI Copilot 的架构并不神秘，它只是把混乱的 AI 调用整理成了三层：

1. 表现层：Avalonia 负责好看、好用。
2. 编排层：Agent + Skills + Workflow 负责“怎么想”。
3. 执行层：Tools + MCP 负责“怎么做”，且有安全围栏。

这种架构最大的好处是：无论以后换什么新模型，或者加什么新工具，核心逻辑都不用大改。

💡 如果你也想拥有这样一个完全可控的桌面 Copilot：

📥 立即下载体验：
https://pan.baidu.com/s/1QtHeAsaL-AexmfT0alaelg?pwd=pucf 提取码: pucf

💼 商业合作 / 源码授权 / 定制开发：
👉 https://work.weixin.qq.com/ca/cawcdeb5a5bd6ac6b8