OpenArc
OpenArc 是 AI Skill Hub 本期精选Agent工作流之一。综合评分 7.5 分，整体质量较高。我们推荐使用将其纳入你的 AI 工具库，帮助提升工作效率。
OpenArc 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。
Intel设备推理引擎，支持LLMs、VLMs等
OpenArc 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。
Intel设备推理引擎，支持LLMs、VLMs等
OpenArc 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 openarc
# 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 openarc
# 方式三：从源码安装（获取最新功能）
git clone https://github.com/SearchSavior/OpenArc
cd OpenArc
pip install -e .
# 验证安装
python -c "import openarc; 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
openarc --help
# 基本用法
openarc input_file -o output_file
# Python 代码中调用
import openarc
# 示例
result = openarc.process("input")
print(result)
# openarc 配置文件示例（config.yml） app: name: "openarc" debug: false log_level: "INFO" # 运行时指定配置文件 openarc --config config.yml # 或通过环境变量配置 export OPENARC_API_KEY="your-key" export OPENARC_OUTPUT_DIR="./output"
简介
[!NOTE] OpenArc is under active development.
OpenArc is an inference engine for Intel devices.
Serve LLMs, VLMs, Whisper, Kokoro-TTS, Qwen-TTS, Qwen-ASR, Embedding and Reranker models over OpenAI compatible endpoints, powered by OpenVINO on your device. Local, private, open source AI.
OpenArc is a community-driven effort to make acceleration from OpenVINO easier to access, deploy and leverage for our usecases.
If you are interested in using Intel devices for AI and machine learning, feel free to stop by our Discord, where we are tracking almost the whole stack, including development of llama.cpp SYCL backend.
Thanks to everyone on Discord for their continued support!
[!NOTE] Documentation lives here
Features
- NEW! Containerization with Docker #60 by @meatposes
- NEW! Speculative decoding support for LLMs #57 by @meatposes
- NEW! Streaming cancellation support for LLMs and VLMs
- Multi GPU Pipeline Paralell
- CPU offload/Hybrid device
- NPU device support
- OpenAI compatible endpoints
/v1/models/v1/completions:llmonly/v1/chat/completions/v1/audio/transcriptions:whisper,qwen3_asr/v1/audio/speech:kokoroonly/v1/embeddings:qwen3-embedding#33 by @mwrothbe/v1/rerank:qwen3-reranker#39 by @mwrothbejinjatemplating withAutoTokenizers- OpenAI Compatible tool calls with streaming and paralell
- tool call parser currently reads "name", "argument"
- Fully async multi engine, multi task architecture
- Model concurrency: load and infer multiple models at once
- Automatic unload on inference failure
llama-benchstyle benchmarking forllmw/automatic sqlite database- metrics on every request
- ttft
- prefill_throughput
- decode_throughput
- decode_duration
- tpot
- load time
- stream mode
- More OpenVINO examples
- OpenVINO implementation of hexgrad/Kokoro-82M
- OpenVINO implementation of Qwen3-TTS and Qwen3-ASR
[!NOTE] Interested in contributing? Please open an issue before submitting a PR!
高性能AI工作流，支持多种模型
- 构建多智能体协作系统的 Agent 开发者
- 构建企业知识库 / RAG 检索应用的团队
- 做语音类 AI 产品的开发者
- 生产部署优先使用 Docker Compose 隔离依赖，并挂载 volume 持久化数据
- 本地部署优先选 GGUF 量化模型，节省显存并保持响应速度
- Agent 任务先做 dry-run 验证工具调用链，再开启自主执行
- API key 直接提交到 git 仓库（请用 .env 并加入 .gitignore）
- 容器内无法访问宿主机 localhost — 使用 host.docker.internal
- 显存不足直接 OOM — 优先降低 context 或换更小的量化模型
- Python 依赖冲突：建议用 venv / uv 隔离环境
- Docker：OpenArc 提供官方镜像，docker compose up 一键启动
- 本地部署：CPU 8GB 起，GPU 推荐 16GB+ 显存
- 云端托管：可放在 Vercel / Railway / Fly.io 等 PaaS 平台
- 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
- 构建多智能体协作系统的 Agent 开发者
- 构建企业知识库 / RAG 检索应用的团队
- 做语音类 AI 产品的开发者
- 生产部署优先使用 Docker Compose 隔离依赖，并挂载 volume 持久化数据
- 本地部署优先选 GGUF 量化模型，节省显存并保持响应速度
- Agent 任务先做 dry-run 验证工具调用链，再开启自主执行
- API key 直接提交到 git 仓库（请用 .env 并加入 .gitignore）
- 容器内无法访问宿主机 localhost — 使用 host.docker.internal
- 显存不足直接 OOM — 优先降低 context 或换更小的量化模型
- Python 依赖冲突：建议用 venv / uv 隔离环境
- 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
- +Apache-2.0 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。
✅ Apache 2.0 — 宽松开源协议，可商用，需保留版权声明和 NOTICE 文件，含专利授权条款。
经综合评估，OpenArc 在Agent工作流赛道中表现稳健，质量良好。如果你已有明确的使用需求，可以直接上手体验；如果还在评估阶段，建议对比同类工具后再做决策。
| 原始名称 | OpenArc |
| 原始描述 | 开源AI工作流：Inference engine for Intel devices. Serve LLMs, VLMs, Whisper, Kokoro-TTS, Embed。⭐444 · Python |
| Topics | agentic-aifastapiinference-engineopenvino-genaiopenvino-toolkitpython |
| GitHub | https://github.com/SearchSavior/OpenArc |
| License | Apache-2.0 |
| 语言 | Python |
收录时间：2026-05-25 · 更新时间：2026-05-26 · License：Apache-2.0 · AI Skill Hub 不对第三方内容的准确性作法律背书。