AI工作流
经 AI Skill Hub 精选评估，AI工作流 获评「推荐使用」。已获得 1.3k 颗 GitHub Star，这款Agent工作流在功能完整性、社区活跃度和易用性方面表现出色，AI 评分 7.5 分，适合有一定技术背景的用户使用。
📚 深度解析
AI工作流 工作流的设计遵循"最小配置，最大复用"原则：核心逻辑已经封装好，用户只需配置自己的 API Key 和业务参数即可快速上手。工作流内置错误处理和重试机制，在网络波动或 API 限速等情况下仍能稳定运行，适合作为生产环境的自动化基础设施。
在实际部署时，建议先在测试环境中运行 3-5 次，验证各个环节的输出结果符合预期，再部署到生产环境。AI Skill Hub 评分 7.5 分，是同类 Agent 工作流中的精选推荐。
📋 工具概览
离线推理引擎，实时语音对话，LLM驱动聊天
AI工作流 是一套完整的 AI Agent 自动化工作流方案。通过可视化的节点编排，将复杂的多步骤任务拆解为清晰的自动化流程，实现全程无人值守的智能处理。支持与数百种外部服务和 API 无缝集成，适合构建数据处理管线、业务自动化和 AI 辅助决策系统。
📖 中文文档
离线推理引擎，实时语音对话，LLM驱动聊天
AI工作流 是一套完整的 AI Agent 自动化工作流方案。通过可视化的节点编排，将复杂的多步骤任务拆解为清晰的自动化流程，实现全程无人值守的智能处理。支持与数百种外部服务和 API 无缝集成，适合构建数据处理管线、业务自动化和 AI 辅助决策系统。
- 可视化 Agent 工作流编排，无需编写复杂代码
- 支持多步骤自动化任务链，实现全流程无人值守
- 与外部 API、数据库和第三方服务无缝集成
- 内置错误处理与自动重试机制，保障稳定运行
- 提供可复用的自动化模板，快速在同类场景部署
- 自动化日常重复性工作，将精力集中于创造性任务
- 构建数据采集 → 处理 → 输出的完整自动化管线
- 实现跨平台、跨系统的数据流转和业务协同
# 方式一：pip 安装（推荐）
pip install airunner
# 方式二：虚拟环境安装（推荐生产环境）
python -m venv .venv
source .venv/bin/activate # Windows: .venv\Scripts\activate
pip install airunner
# 方式三：从源码安装（获取最新功能）
git clone https://github.com/Capsize-Games/airunner
cd airunner
pip install -e .
# 验证安装
python -c "import airunner; print('安装成功')"
- 访问 GitHub 仓库获取工作流文件
- 在对应平台（Dify / Flowise / Make 等）中找到「导入工作流」功能
- 上传工作流文件
- 按照提示配置必要的环境变量和 API Key
- 运行测试确认流程正常后投入使用
# 命令行使用
airunner --help
# 基本用法
airunner input_file -o output_file
# Python 代码中调用
import airunner
# 示例
result = airunner.process("input")
print(result)
# airunner 配置文件示例（config.yml） app: name: "airunner" debug: false log_level: "INFO" # 运行时指定配置文件 airunner --config config.yml # 或通过环境变量配置 export AIRUNNER_API_KEY="your-key" export AIRUNNER_OUTPUT_DIR="./output"
AI Runner
Edge AI inference engine with a web GUI — LLMs, image generation, voice chat, and agents running entirely on your hardware, at the edge.
🐞 Report Bug · ✨ Request Feature · 🛡️ Report Vulnerability · 📖 Wiki
---
✨ Features
| Feature | Description |
|---|---|
| **🤖 LLM Chat** | Local LLMs via llama.cpp (GGUF), with optional OpenRouter/OpenAI backends |
| **🗣️ Voice Chat** | Real-time speech-to-text and text-to-speech for hands-free conversations |
| **🎨 Image Generation** | Stable Diffusion (SD 1.5, SDXL) and FLUX with LoRA and inpainting |
| **🧠 AI Agents** | Configurable personalities, moods, RAG-enhanced memory, and tool use |
| **🔒 Privacy First** | Runs fully offline by default — no data leaves your machine |
| **🌐 Web UI** | React frontend, accessible from any browser on your local network |
| **⚡ Optimized** | GGUF quantization, attention slicing, and VRAM offloading for lower-end hardware |
---
⚙️ System Requirements
| Minimum | Recommended | |
|---|---|---|
| **OS** | Ubuntu 22.04 | Ubuntu 24.04 |
| **CPU** | Ryzen 2700K / i7-8700K | Ryzen 5800X / i7-11700K |
| **RAM** | 16 GB | 32 GB |
| **GPU** | NVIDIA RTX 3060 | NVIDIA RTX 4080+ |
| **Storage** | 22 GB SSD | 100 GB+ SSD |
| **Python** | 3.13.3+ | 3.13.3+ |
---
Python dependencies
Python 3.13.3+ is required. We recommend pyenv + venv.
Install PyTorch first:
pip install torch torchvision torchaudio --index-url https://download.pytorch.org/whl/cu128Then install the backend package:
pip install -e "server/src/.[core,llm-native,stt-native,art-python,tts-python]"Install
Clone the repo and run the install script:
git clone https://github.com/Capsize-Games/airunner.git
cd airunner
./scripts/install.shThis installs the Python backend and all frontend dependencies.
Building from source (for maintainers)
```bash
💾 Manual Installation (Advanced)
If you need fine-grained control, the install script supports three modes:
```bash
Developer mode — installs from source (default for contributors)
./scripts/install.sh
Distributed mode — for server/multi-machine deployments
./deployment/install_distributed.sh
Single-package mode — installs a prebuilt self-contained bundle
./package/build_bundle.sh ```
llama-cpp-python (CUDA build)
CMAKE_ARGS="-DGGML_CUDA=on -DGGML_CUDA_ARCHITECTURES=90" FORCE_CMAKE=1 \
pip install --no-binary=:all: --no-cache-dir "llama-cpp-python==0.3.21"90targets RTX 4090/5080-class GPUs. Drop-DGGML_CUDA_ARCHITECTURESto auto-detect your GPU.
---
🚀 Quick Start
高质量的AI工作流项目，值得关注
- 需要 airunner 解决具体问题的开发者与运营人员
- 先在测试环境跑通最小用例，再接入生产数据
- API key 直接提交到 git 仓库（请用 .env 并加入 .gitignore）
- Python 依赖冲突：建议用 venv / uv 隔离环境
- 云端托管：可放在 Vercel / Railway / Fly.io 等 PaaS 平台
⚡ 核心功能
- 可视化 Agent 工作流编排，无需编写复杂代码
- 支持多步骤自动化任务链，实现全流程无人值守
- 与外部 API、数据库和第三方服务无缝集成
- 内置错误处理与自动重试机制，保障稳定运行
- 提供可复用的自动化模板，快速在同类场景部署
- 需要 airunner 解决具体问题的开发者与运营人员
- 先在测试环境跑通最小用例，再接入生产数据
- API key 直接提交到 git 仓库（请用 .env 并加入 .gitignore）
- Python 依赖冲突：建议用 venv / uv 隔离环境
👥 适合人群
🎯 使用场景
- 自动化日常重复性工作，将精力集中于创造性任务
- 构建数据采集 → 处理 → 输出的完整自动化管线
- 实现跨平台、跨系统的数据流转和业务协同
⚖️ 优点与不足
- +MIT 协议，可免费商用
- +大幅减少重复性人工操作
- +可视化流程，清晰直观
- +可扩展性强，支持复杂场景
- −初始配置和调试需投入一定时间
- −强依赖外部服务的稳定性
- −复杂场景需具备一定技术基础
AI Skill Hub 为第三方内容聚合平台，本页面信息基于公开数据整理，不对工具功能和质量作任何法律背书。
建议在沙箱或测试环境中充分验证后，再部署至生产环境，并做好必要的安全评估。
✅ MIT 协议 — 最宽松的开源协议之一，可自由商用、修改、分发，仅需保留版权声明。
🔗 相关工具推荐
❓ 常见问题 FAQ
AI Skill Hub 点评：AI工作流 的核心功能完整，质量良好。对于自动化工程师和运维人员来说，这是一个值得纳入个人工具库的选择。建议先在非生产环境试用，再逐步推广。
| 原始名称 | airunner |
| Topics | aiai-artchatbotpython |
| GitHub | https://github.com/Capsize-Games/airunner |
| License | MIT |
| 语言 | Python |
收录时间：2026-06-04 · 更新时间：2026-06-04 · License：MIT · AI Skill Hub 不对第三方内容的准确性作法律背书。