InsForge 深度解析：专为 AI 编程打造的 Agent Native 后端开发平台，从原理到实战全攻略

莫潇羽@无忆研习社（www.wuyi.wiki）原创内容，转载请注明出处。

快速摘要

InsForge 是一个开源的 Agent Native 后端开发平台，它的核心定位是"让 AI 智能体真正读懂后端"。 与传统后端服务（如 Supabase、Firebase）面向人类开发者设计不同，InsForge 在 AI 编程智能体与后端基础设施之间构建了一层"语义层"（Semantic Layer），使得 AI 编程工具能够自主理解数据库结构、认证体系、文件存储等后端资源，并通过 MCP（Model Context Protocol）协议完成端到端的后端配置与代码生成。简单来说，你只需用自然语言描述需求，AI 就能帮你搞定从数据库建表、用户认证到云函数部署的全部后端工作。 InsForge 采用 Apache 2.0 协议开源，支持云托管和本地 Docker 私有化部署。往下看，莫潇羽将为你详细拆解它的技术原理、架构设计以及完整的实战操作流程。

一、背景：AI 编程浪潮下，后端为何成了瓶颈？

1.1 Agentic Coding 正在重塑软件开发

2025 年以来，软件开发行业发生了一场深刻的变革。知名风险投资机构 a16z 发布的一份数据报告引发了广泛关注：在过去三年一直处于增长停滞的 iOS 应用发布数量，从 2025 年 2 月开始出现明显的上升趋势，到 2025 年 12 月，同比增长幅度达到了约 60%。截至 2025 年底，Apple App Store 上的应用总数达到了约 228 万个，较上一年净增了约 16 万个。

这个时间节点恰好与 Agentic Coding（代理式编程，又被称为 Vibe Coding）工具的集中爆发相吻合。Claude Code、Cursor、Windsurf 等 AI 编程工具的出现，让开发者——甚至是完全不会写代码的普通人——可以通过自然语言描述需求，让 AI 自主完成代码的编写、测试和调试。苹果公司也在 2026 年 2 月发布的 Xcode 26.3 中正式引入了对 Anthropic Claude Agent 和 OpenAI Codex 的原生支持，标志着 Agentic Coding 正式进入了主流 IDE 生态。

这背后的逻辑不难理解。经济学中有一个经典理论叫"杰文斯悖论"：当技术进步提高了资源使用效率时，成本的降低不会减少需求，反而会因为使用门槛的下降而导致需求大幅增加，最终令总消耗量不减反增。AI 编程工具的普及极大地降低了软件开发的门槛和成本，而门槛的降低带来的是需求的爆发式增长。

1.2 前端能 Vibe，后端依然"手工活"

不过，如果你真正用过这些 AI 编程工具，一定体会过这样的尴尬：AI 写前端界面确实又快又好，几句话就能生成一个漂亮的页面。但一旦涉及到后端——比如数据库建表、用户登录认证、文件存储、API 密钥管理、服务器部署——AI 的能力就明显捉襟见肘了。

为什么会这样？莫潇羽认为，根本原因在于传统的后端基础设施全部是面向人类设计的。你需要打开云服务商的控制台、在各种仪表盘里点击配置、手动粘贴密钥、调试权限策略……这些操作 AI 无法自主完成。即便 AI 能告诉你"请到 AWS 控制台点这个按钮、填这个参数"，它自己却做不到。

在 Hacker News 上关于 InsForge 的讨论中，有一位开发者的描述非常精准：有了 AI 编程工具之后，写代码本身反而成了最简单的部分。你可以在几小时内用 AI 做出一个可运行的原型。但要让它真正"上线可用"，你还需要手动完成一长串清单——去各个平台申请 API 密钥、配置用户认证、搭建数据库和存储、对接支付系统、设置自定义域名、部署到服务器。这些事情没有一件是真正的"编程"，而是不停地在不同的浏览器标签页之间切换、打开仪表盘、复制粘贴配置参数。关键在于，AI 智能体其实完全知道该怎么做——它能一步一步告诉你"打开这个网址、点击那个按钮、粘贴这个密钥"——但它就是没法亲自去做。原因很简单：所有这些后端平台和运维服务都是为人类设计的，不是为 AI 智能体设计的。

目前业界最常用的轻量级后端方案是 Supabase。它确实降低了后端开发的门槛，提供了数据库、认证、存储等一站式服务。但 Supabase 的整个操作流程——从创建项目到配置 RLS（行级安全策略）再到管理 API Key——依然是完全围绕人类交互设计的。对 AI 编程智能体来说，Supabase 的控制台和工作流并不"友好"。

举一个具体的例子：Supabase 默认开启了 RLS（行级安全策略）。这意味着当 AI 智能体通过代码创建了一张新表后，如果没有同步配置正确的 RLS 策略，所有对这张表的查询都会直接失败——返回空结果或权限错误。对人类开发者来说，你知道要去 Dashboard 里配置 RLS；但 AI 智能体并不知道当前的 RLS 状态，也无法通过 Supabase 的标准接口来感知和处理这个问题。结果就是 AI 写的代码跑不通，然后陷入反复调试的死循环。

正是在这个背景下，一个专门为 AI 编程智能体打造的后端开发平台诞生了——InsForge。

二、InsForge 是什么？核心概念全面拆解

2.1 一句话理解 InsForge

InsForge 是一个开源的、Agent Native（智能体原生）的后端即服务平台（BaaS, Backend-as-a-Service）。它的核心使命只有一个：让 AI 编程智能体能够自主地理解、配置和管理后端基础设施。

用更通俗的话说：如果 Supabase 是为人类开发者打造的后端工具，那 InsForge 就是为 AI 编程助手打造的后端工具。它让 Claude Code、Cursor、Windsurf 这些 AI 编程工具不再只是"写前端的高手"，而是能够独立完成全栈开发任务的全能选手。

InsForge 项目托管在 GitHub 上，采用 Apache License 2.0 开源协议，地址为：

https://github.com/InsForge/insforge

官方文档地址为：

https://docs.insforge.dev

2.2 "Agent Native"到底意味着什么？

要理解 InsForge 的价值，首先需要理解"Agent Native"这个概念。我们可以将它与大家更熟悉的"Cloud Native"（云原生）做一个对比。

Cloud Native 的核心思想是：软件从设计之初就为云环境而生，充分利用云计算的弹性伸缩、容器化、微服务等能力。类似地，Agent Native 的核心思想是：后端基础设施从设计之初就为 AI 智能体而生，让智能体能够无障碍地理解架构、调用资源、配置服务。

具体来说，Agent Native 意味着：

• 接口设计面向 AI 理解：不再是给人类看的仪表盘和按钮，而是 AI 能直接调用的结构化接口
• 上下文工程（Context Engineering）优先：后端的状态、结构、可用操作都通过标准化的方式暴露给 AI，让 AI 拥有完整的后端认知
• 自然语言驱动：开发者的主要交互方式从"点击配置"变成了"自然语言描述"
• 端到端自主操作：AI 不仅能生成代码，还能自主完成建表、配置认证、创建存储桶等后端操作

2.3 InsForge 的整体架构

InsForge 的架构可以用一张清晰的层次图来理解：

┌─────────────────────────────────────────┐
│        AI Coding Agents 层              │
│  （Claude Code / Cursor / Windsurf等）   │
└──────────────────┬──────────────────────┘
                   │ MCP 协议
                   ▼
┌─────────────────────────────────────────┐
│      InsForge Semantic Layer            │
│         （语义层 / 核心中间件）           │
└──┬────┬────┬────┬────┬────┬─────────────┘
   │    │    │    │    │    │
   ▼    ▼    ▼    ▼    ▼    ▼
 Auth  DB  Storage Edge  Model  Deploy
 认证  数据库 存储  Functions Gateway 部署
                  云函数   模型网关

这张架构图包含三个关键层次：

最上层是 AI Coding Agents（AI 编程智能体层）。这是开发者直接交互的工具层，包括 Claude Code、Cursor、Windsurf、Cline、Roo Code、Trae 等主流 AI 编程工具。开发者在这些工具中用自然语言描述需求，智能体负责理解意图并执行操作。

中间层是 InsForge Semantic Layer（语义层）。这是 InsForge 最核心的创新所在。语义层充当 AI 智能体与底层后端基础设施之间的"翻译官"和"中控台"。它通过 MCP 协议与上层的 AI 编程工具连接，将复杂的后端操作封装成 AI 能理解的语义化接口。智能体可以通过语义层获取后端的文档信息、可用操作列表、当前后端状态等上下文，从而做出准确的决策。

最下层是后端基础设施层。InsForge 提供了六大核心后端能力模块：

• Authentication（认证）：用户管理、身份验证和会话管理
• Database（数据库）：基于 PostgreSQL 的关系型数据库
• Storage（存储）：兼容 S3 协议的对象存储
• Edge Functions（云函数）：基于 Deno 运行时的无服务器函数
• Model Gateway（模型网关）：统一封装了 27+ 种主流大语言模型的调用接口
• Deployment（部署）：一键将应用部署到全球 CDN

三、核心技术原理深度解读

3.1 MCP 协议：AI 与后端沟通的"通用语言"

InsForge 能让 AI 智能体直接操作后端，关键在于它采用了 MCP（Model Context Protocol，模型上下文协议）作为通信标准。在深入 InsForge 之前，莫潇羽认为有必要先带大家系统了解一下 MCP 协议，因为这是理解 InsForge 工作原理的关键前置知识。

MCP 是由 Anthropic 公司在 2024 年 11 月推出的一项开放标准协议。它定义了 AI 模型与外部工具、数据源之间交互的标准化方式。你可以把 MCP 想象成 AI 世界的"USB 接口"——不管你用的是什么 AI 模型，不管要连接的是什么工具，只要双方都支持 MCP，就能直接"插上就用"。

在 MCP 出现之前，每个 AI 应用想要接入外部数据源和工具，都需要编写定制化的连接器。假如有三个 AI 助手需要连接五个不同的数据库，就意味着要开发十五个独立的集成方案，每个方案都有不同的认证机制、API 格式和安全模型。这种 N×M 的集成难题严重阻碍了企业级 AI 应用的落地。MCP 的出现，就是为了把这个 N×M 问题简化成 N+M 问题——每个 AI 工具只需实现一次 MCP 客户端，每个服务只需实现一次 MCP 服务器。

MCP 自发布以来获得了快速的生态增长。OpenAI、Google DeepMind、Microsoft 等头部机构纷纷采用了 MCP 标准，MCP 生态市场规模在 2025 年已经达到了相当可观的水平。

MCP 的架构分层

MCP 的架构包含两个核心层：

传输层（Transport Layer） 负责消息的实际传输。MCP 支持两种传输方式：一种是 STDIO（标准输入输出），适用于本地 MCP 服务器，AI 工具和 MCP 服务器运行在同一台机器上，数据通过标准输入和标准输出流进行交换；另一种是 Streamable HTTP，使用 HTTP POST 进行客户端到服务器的消息传输，同时支持 Server-Sent Events（SSE）实现服务器到客户端的流式推送，适用于远程 MCP 服务器场景。传输层还负责连接建立、消息帧封装和授权认证等底层工作。

数据层（Data Layer） 定义了消息的结构和语义。MCP 基于 JSON-RPC 2.0 协议，确保客户端和服务器双方遵循可预测的数据格式。数据层定义了三种核心原语（Primitives）：

• Tools（工具）：智能体可以调用的具体操作，比如"创建数据库表""配置存储桶""执行 SQL 查询"。每个 Tool 都包含名称、描述（作为 AI 理解工具用途的提示）和输入参数的 JSON Schema 定义
• Resources（资源）：智能体可以读取的数据和上下文，比如"当前数据库的表结构""存储桶列表"。Resources 提供的是只读信息，帮助 AI 建立对当前环境的认知
• Prompts（提示模板）：预定义的提示词模板，帮助智能体更高效地使用工具。例如一个"创建 CRUD 应用"的提示模板，会引导智能体按正确的顺序调用建表、创建 API、生成前端代码等工具

此外，MCP 还支持实时通知机制。当服务器端的可用工具发生变化时——比如有新功能上线、现有工具被修改或暂时不可用——服务器可以主动通知已连接的客户端，让整个 MCP 连接保持同步和响应。

MCP 的主要参与角色

在 MCP 架构中有三个核心角色：

• Host（宿主）：运行 AI 模型的应用程序，负责管理多个 Client、聚合上下文信息、执行安全策略和协调工作流。在 InsForge 的场景中，Claude Code 或 Cursor 就是 Host
• Client（客户端）：每个 Client 与一个 Server 建立一对一连接。这种隔离设计避免了不同资源之间的交叉干扰，也简化了权限管理
• Server（服务器）：提供具体能力的后端服务，暴露 Tools、Resources 和 Prompts。InsForge MCP 服务器就是一个典型的 Server

InsForge MCP 的实际工作流程

InsForge 的 MCP 服务器（insforge-mcp）正是基于这套协议实现的。当你在 Claude Code 中输入"帮我创建一个用户表"时，整个交互流程如下：

• Claude Code 作为 Host，内部的 MCP Client 将你的请求解析为工具调用意图
• MCP Client 通过 MCP 协议向 InsForge MCP Server 发送 JSON-RPC 请求，调用数据库管理相关的 Tool
• InsForge 的语义层接收到请求后，验证参数、检查权限，然后调用底层的 PostgreSQL 数据库执行建表 SQL
• 执行结果通过 MCP 协议返回给 Claude Code
• Claude Code 将结果整合到对话上下文中，继续后续的开发任务

整个过程对开发者完全透明，你只需要用自然语言描述需求即可。

InsForge MCP 服务器提供的工具集涵盖了后端开发的主要场景：初始化后端配置和获取 API 密钥、数据库 Schema 查询和 SQL 执行、存储桶的创建和管理、Edge Function 的完整生命周期管理、容器日志的读取和调试、后端元数据的索引和检索等。每个工具都有详细的文档字符串（docstring），这些文档字符串本身就是给 AI 模型看的"说明书"，帮助模型理解每个工具的用途和正确的调用方式。

3.2 语义层：让 AI "看懂"后端的关键

InsForge 的语义层是整个系统的灵魂。它做的事情可以概括为三个词：获取上下文、配置资源、检查状态。

获取后端上下文（Fetch Backend Context）：语义层可以向 AI 智能体提供完整的后端文档和可用操作列表。当智能体需要操作数据库时，它首先会通过语义层"阅读"数据库的当前结构、已有的表、字段类型、索引和约束条件，然后再决定下一步操作。这就避免了 AI"盲人摸象"式的代码生成——它知道后端长什么样，才能写出正确的代码。

配置后端资源（Configure Primitives）：智能体不仅能读取信息，还能直接通过语义层执行配置操作，比如创建新表、添加字段、创建存储桶、配置认证策略等。这些操作通过 InsForge MCP 服务器提供的标准化工具接口来完成。

检查后端状态（Inspect Backend State）：后端的运行状态和日志通过结构化的 Schema 暴露给智能体。如果某个操作失败了，智能体可以读取日志信息来诊断问题，而不需要开发者手动去控制台查看。

这种设计哲学在 InsForge 团队的博客中被称为"后端上下文工程"（Backend Context Engineering）。他们认为，在 AI 编程时代，单纯给 AI 提供 API 是不够的——AI 需要的是关于后端完整、准确、结构化的上下文信息。没有准确的上下文，AI 就会产生"幻觉"，写出错误的代码，然后陷入漫长的调试循环。

InsForge 团队使用了一个叫 MCPMark 的开源基准测试工具来验证这一理念。他们在 6 个不同的 PostgreSQL 数据库上运行了 21 个任务，涵盖分析报告、数据迁移、CRUD 逻辑、查询优化、RLS 策略、触发器和向量搜索等场景。测试结果显示，有了 InsForge 语义层的支持，AI 编程智能体在后端任务上的准确率和效率都有显著提升——错误更少、重试更少、Token 消耗更低。

3.3 与 Supabase 的技术路线对比

莫潇羽在无忆研习社整理过不少后端开发工具的评测，这里特别聊聊 InsForge 与 Supabase 在技术路线上的差异，帮大家做一个更清晰的判断。

Supabase 是一个优秀的开源 BaaS 平台，提供了 PostgreSQL 数据库、认证、存储、Edge Functions 等服务。但它从设计之初就是面向人类开发者的——你需要通过 Web 控制台或 CLI 来管理项目，通过 Dashboard 来配置 RLS 策略，通过手动操作来创建存储桶。

InsForge 则从底层重新设计了这些交互方式。以下是几个关键差异：

RLS 策略处理方式不同。 在 Supabase 中，RLS（Row Level Security，行级安全）默认是开启的。这意味着如果 AI 智能体创建了一张表但没有配置 RLS 策略，所有查询都会失败。这是导致 AI 编程时后端报错的常见原因之一。InsForge 在这方面做了优化，让智能体能够更清楚地理解 RLS 的状态并自主配置正确的策略。

上下文提供方式不同。 Supabase 的 API 文档是写给人看的，AI 智能体需要"猜测"后端结构。InsForge 的语义层则专门为 AI 设计了结构化的上下文输出，确保智能体获得的信息是完整、准确且机器可读的。

操作方式不同。 在 Supabase 中，很多后端配置需要人类登录 Dashboard 手动完成。InsForge 的所有后端操作都可以通过 MCP 工具调用来完成，AI 智能体可以全程自主操作。

当然，这并不意味着 InsForge 要"取代" Supabase。两者面向的用户场景不同：如果你习惯手动管理后端，Supabase 依然是很好的选择；如果你希望让 AI 编程工具承担更多后端工作，InsForge 是更合适的工具。

四、六大核心功能模块详解

接下来，莫潇羽带你逐一了解 InsForge 提供的六大核心功能模块，帮你理解每个模块的技术原理和实际用途。

4.1 Authentication（身份认证系统）

身份认证是几乎所有应用都需要的基础功能。传统的做法是：去 Google 开发者控制台申请 OAuth 凭证、去 GitHub 注册 OAuth App、手写复杂的 OAuth 回调逻辑、管理 JWT Token 的生成和验证、维护用户数据库中的会话状态……这一套流程下来，即便是经验丰富的后端开发者，也需要花费不少时间。

InsForge 提供了一套开箱即用的身份验证系统，底层基于 JWT（JSON Web Token）实现。它支持以下认证方式：

• 邮箱密码注册/登录：支持邮箱验证码真实性验证，可以有效防止无效邮箱注册
• 第三方 OAuth 登录：支持 GitHub、Google 等主流第三方登录，复杂的 OAuth 回调逻辑由 InsForge 底层封装处理
• 会话管理：自动处理 Token 的生成、刷新和失效

对于 AI 编程智能体来说，接入认证功能变得非常简单。你只需要在提示词中描述"我需要用户登录功能，支持邮箱和 GitHub 登录"，AI 智能体就会通过 MCP 调用 InsForge 的认证配置工具，自动完成整个认证体系的搭建。前端代码中只需调用几行 SDK 方法即可实现登录功能。

以下是前端调用 InsForge 认证 SDK 的基本示例：

import { createClient } from '@insforge/sdk-js';

const insforge = createClient('YOUR_PROJECT_URL', 'YOUR_API_KEY');

// 邮箱密码注册
const { data, error } = await insforge.auth.signUp({
  email: 'user@example.com',
  password: 'your-password'
});

// 邮箱密码登录
const { data, error } = await insforge.auth.signIn({
  email: 'user@example.com',
  password: 'your-password'
});

// GitHub OAuth 登录
const { data, error } = await insforge.auth.signInWithOAuth({
  provider: 'github'
});

4.2 Database（PostgreSQL 关系型数据库）

InsForge 内置了 PostgreSQL 数据库，开箱即用。你不需要单独购买数据库实例，不需要配置连接字符串，不需要手动建表——这些工作都可以通过 AI 智能体自动完成。

当你在 AI 编程工具中描述"我需要一个用户积分表，包含用户 ID、积分数量、最后更新时间"时，智能体会通过 InsForge MCP 的数据库管理工具自动执行建表 SQL。InsForge 的语义层会向智能体暴露以下信息：

• 当前数据库中所有表的结构（Schema）
• 每张表的字段类型、约束条件、索引
• RLS（行级安全策略）的配置状态
• 外键关系和表之间的关联

这些信息让 AI 在操作数据库时拥有完整的上下文，极大地减少了错误的发生。

InsForge 的 MCP 服务器提供了以下数据库相关的工具操作：

• Schema 查询：获取表的详细结构信息，包括 RLS、索引、约束
• SQL 执行：执行原生 SQL 查询
• 批量数据操作：支持通过 CSV/JSON 格式进行批量数据插入和更新（Upsert）
• 元数据索引：索引和检索后端元数据，帮助智能体全面了解数据库状态

在前端代码中，通过 InsForge SDK 进行数据读写同样非常简洁：

// 查询数据
const { data, error } = await insforge
  .from('user_points')
  .select('*')
  .eq('user_id', currentUserId);

// 插入数据
const { data, error } = await insforge
  .from('user_points')
  .insert({
    user_id: currentUserId,
    points: 100,
    updated_at: new Date().toISOString()
  });

// 更新数据
const { data, error } = await insforge
  .from('user_points')
  .update({ points: 200 })
  .eq('user_id', currentUserId);

4.3 Storage（对象存储）

很多应用都有文件上传和管理的需求——用户头像、产品图片、文档附件等。传统做法是开通云厂商的 OSS 或 S3 服务，然后配置复杂的跨域规则（CORS）、访问权限策略和 CDN 加速。

InsForge 内置了兼容 S3 协议的对象存储服务。AI 智能体可以通过 MCP 工具自动创建存储桶（Bucket）、配置公开/私有访问权限。前端代码只需要几行 SDK 调用就能完成文件的上传和下载。

InsForge MCP 提供的存储相关工具包括：

• 创建存储桶：指定桶名和访问权限（公开/私有）
• 列出存储桶：查看当前项目下所有的存储桶
• 删除存储桶：删除不需要的存储桶
• 文件上传/下载：通过 SDK 在前端完成文件的高速上传和安全下载

以下是存储相关的前端代码示例：

// 上传文件到指定存储桶
const { data, error } = await insforge.storage
  .from('avatars')
  .upload('user-avatar.png', file, {
    contentType: 'image/png'
  });

// 获取文件的公开访问链接
const { data } = insforge.storage
  .from('avatars')
  .getPublicUrl('user-avatar.png');

4.4 Edge Functions（云函数 / 无服务器函数）

Edge Functions 是 InsForge 提供的无服务器计算能力，基于 Deno 运行时环境。它解决了一类非常常见的问题：有些后端逻辑不能放在前端执行。

最典型的场景就是调用第三方 API。如果你在前端代码中直接调用某个第三方服务（比如邮件发送 API、支付接口），API 密钥就会暴露在浏览器中，存在被抓包泄露的风险。同时，某些耗时操作（如批量邮件发送）如果在前端主线程中执行，会导致界面卡顿甚至崩溃。

InsForge 的 Edge Functions 解决方案包含两个关键设计：

密钥安全管理：InsForge 提供了 Secret Manager（密钥管理器），所有 API Key 配置在云端并加密存储。云函数在运行时通过环境变量安全地获取密钥，密钥仅在底层沙箱环境内解密使用，不会暴露给前端。

异步云端执行：耗时任务由云端异步处理，完全释放客户端性能。例如群发邮件这类操作，前端只需要发起一个请求，实际的发送工作由云函数在服务端完成。

InsForge MCP 提供了 Edge Functions 的完整 CRUD（增删改查）操作：

• 创建云函数：定义函数名称和代码逻辑
• 获取云函数：查看已有函数的详细信息
• 更新云函数：修改函数代码
• 删除云函数：移除不需要的函数
• 查看日志：读取函数执行日志，方便调试

以下是一个 Edge Function 的代码结构示例（基于 Deno 运行时）：

// 群发邮件的云函数示例
Deno.serve(async (req) => {
  // 从环境变量中安全获取 API Key
  const emailApiKey = Deno.env.get('EMAIL_API_KEY');

  const { recipients, subject, content } = await req.json();

  // 批量发送邮件
  const results = await Promise.all(
    recipients.map(async (email: string) => {
      const response = await fetch('https://api.email-service.com/send', {
        method: 'POST',
        headers: {
          'Authorization': `Bearer ${emailApiKey}`,
          'Content-Type': 'application/json'
        },
        body: JSON.stringify({ to: email, subject, content })
      });
      return response.json();
    })
  );

  return new Response(JSON.stringify({ success: true, results }), {
    headers: { 'Content-Type': 'application/json' }
  });
});

4.5 Model Gateway（模型网关）

Model Gateway 是 InsForge 中一个非常实用的功能模块。它将市面上 27 种以上主流大语言模型的调用方式统一封装成了兼容 OpenAI 格式的标准接口。

在没有 Model Gateway 的情况下，如果你的应用需要同时使用多个 AI 模型（比如用一个模型做图像处理，另一个模型做文案生成），你需要分别申请各家模型的 API Key，分别处理不同的 API 格式和认证方式，还要在代码中维护多套 SDK。

InsForge 的 Model Gateway 把这些复杂度全部封装了。你只需要在 InsForge 控制台中开启想要使用的模型开关，然后在代码中通过统一的 SDK 接口调用即可。所有模型的 API Key 管理、请求格式转换、错误处理都由 InsForge 底层处理。

支持的模型厂商包括但不限于 OpenAI、Anthropic、Google Gemini、Grok 等。对于开发者来说，切换模型就像改一个参数那么简单：

// 使用 Gemini 模型进行图片处理
const imageResult = await insforge.ai.chat({
  model: 'gemini-2.0-flash',
  messages: [
    { role: 'user', content: '请将这张照片转换为卡通风格' }
  ]
});

// 使用其他模型生成文案
const textResult = await insforge.ai.chat({
  model: 'deepseek-chat',
  messages: [
    { role: 'user', content: '请为这张贺卡生成一段节日祝福语' }
  ]
});

Model Gateway 还有一个值得关注的设计：模型的费用通过 InsForge 统一计费，不需要开发者分别在各模型厂商处充值和管理额度。

4.6 Deployment（一键部署）

当应用在本地开发完成后，最后一步是将它发布到互联网上让用户访问。传统的部署流程通常包括：购买/租用服务器、安装和配置 Nginx 反向代理、申请和配置 SSL 证书、配置 DNS 解析、设置 CI/CD 流水线……这些步骤对于不熟悉运维的开发者来说是一道不小的门槛。

InsForge 提供了一键部署能力。通过 AI 编程工具发送一条部署指令，InsForge 就能自动将应用打包并部署到全球 CDN 上，生成一个专属的应用链接。用户可以直接通过这个链接访问应用。

在 InsForge 的控制台上，你可以查看应用的部署状态、访问域名、运行日志、环境变量等信息。

五、实战操作：从零开始使用 InsForge

了解了 InsForge 的原理和功能之后，接下来莫潇羽带你走一遍完整的实战操作流程。InsForge 提供了三种不同的使用方式，适合不同的场景和需求。

5.1 方式一：使用 InsForge 云平台（最简单）

如果你只是想快速体验，或者不想在本地安装 Docker，直接使用 InsForge 的云平台是最便捷的方式。

第一步：注册账号并创建项目

访问 InsForge 官网：

https://insforge.dev/

点击页面右上角的"Sign Up"按钮完成注册。注册成功后，点击"New Project"按钮，填写项目名称并选择部署区域（Region），系统会自动为你创建一个后端项目实例。

创建完成后，你会进入项目的控制台界面，可以看到数据库、认证、存储等各模块的管理入口。

第二步：连接 AI 编程工具的 MCP 服务器

这一步是关键——你需要让 AI 编程工具"认识" InsForge，建立 MCP 连接。

在 InsForge 控制台中，切换到"终端"（Terminal）选项卡，选择你使用的 AI 编程工具（如 Claude Code、Cursor 等），控制台会显示一条安装命令。

以 Claude Code 为例，在本地终端中进入你的项目目录，然后运行类似以下的命令：

npx @insforge/install --client claude-code --env API_KEY=your_api_key --env API_BASE_URL=https://your-project.insforge.dev

这条命令会自动安装 InsForge 的 MCP 插件，并将其配置到你的 AI 编程工具中。

如果你使用的是其他 AI 编程工具，只需替换 --client 参数即可：

# Cursor
npx @insforge/install --client cursor --env API_KEY=your_api_key --env API_BASE_URL=https://your-project.insforge.dev

# Windsurf
npx @insforge/install --client windsurf --env API_KEY=your_api_key --env API_BASE_URL=https://your-project.insforge.dev

# Cline
npx @insforge/install --client cline --env API_KEY=your_api_key --env API_BASE_URL=https://your-project.insforge.dev

# Roo Code
npx @insforge/install --client roocode --env API_KEY=your_api_key --env API_BASE_URL=https://your-project.insforge.dev

# Trae
npx @insforge/install --client trae --env API_KEY=your_api_key --env API_BASE_URL=https://your-project.insforge.dev

第三步：验证连接

安装完成后，打开你的 AI 编程工具（以 Claude Code 为例），在项目目录下启动 Claude Code，然后输入以下验证提示词：

I'm using InsForge as my backend platform, call InsForge MCP's fetch-docs tool to learn about InsForge instructions.

如果 AI 智能体能够成功调用 InsForge MCP 并返回文档信息，说明连接已建立成功。同时在 InsForge 控制台中，你应该能看到"MCP Connected"的状态指示。

第四步：开始构建应用

连接成功后，你就可以用自然语言描述需求，让 AI 智能体通过 InsForge 自动完成后端搭建了。例如：

请帮我创建一个用户管理系统，需要以下功能：
1. 用户可以通过邮箱注册和