2025 年最值得关注的 10 个开源 AI 项目

2026-05-27 AI 49 次阅读

从模型训练到 Agent 框架，从向量数据库到推理优化——本文精选 2025 年最活跃、最有影响力的 10 个开源 AI 项目，涵盖 LLM、多模态、RAG、Agent 和基础设施五大方向。

一、大语言模型

1. DeepSeek-V3 / R1

GitHub: deepseek-ai/DeepSeek-V3 ⭐ 85k+

2025 年初 DeepSeek R1 的发布震惊了整个 AI 界——一个推理能力比肩 OpenAI o1 的开源模型，训练成本据报仅约 600 万美元。它的 MoE（混合专家）架构在保持推理质量的同时大幅降低了推理成本。

为什么值得关注：

完整开源权重，可本地部署
MoE 架构，推理成本极低（每百万 Token 约 ¥1-4）
中文理解能力业界领先
活跃的社区生态（LoRA 微调、量化版本丰富）

# 使用 DeepSeek API（兼容 OpenAI SDK）
from openai import OpenAI

client = OpenAI(
    base_url="https://api.deepseek.com/v1",
    api_key="your-key"
)

response = client.chat.completions.create(
    model="deepseek-chat",
    messages=[{"role": "user", "content": "解释 MoE 架构的原理"}]
)
print(response.choices[0].message.content)

2. Qwen 3（通义千问）

GitHub: QwenLM/Qwen3 ⭐ 55k+

阿里开源的 Qwen 系列在 2025 年已经进化到第三代，支持文本、图像、音频、视频的多模态理解。Qwen 3 的亮点在于"原生多模态"——不是外挂视觉编码器，而是从预训练阶段就融合了多模态数据。

特点：

原生多模态（文本 + 图像 + 音频 + 视频）
多种尺寸（0.5B 到 72B），适合不同场景
支持 128K 上下文窗口
丰富的工具调用（Function Calling）能力

大语言模型对比

二、多模态模型

3. Stable Diffusion 4

GitHub: Stability-AI/generative-models ⭐ 40k+

Stable Diffusion 4 带来了革命性的提升：支持原生 4K 分辨率输出、精确的文字渲染、以及基于 ControlNet 的精确构图控制。与 Midjourney 的闭源路线不同，SD4 继续保持完全开源。

核心能力：

原生 4K 分辨率生成
精确文字渲染（终于可以生成带正确文字的图片了）
ControlNet 生态完善（姿态、深度、线稿控制）
LoRA 微调社区活跃

4. WhisperX

GitHub: m-bain/whisperX ⭐ 15k+

OpenAI Whisper 的增强版本，解决了原版 Whisper 的两个最大痛点：时间戳不准和无法区分说话人。WhisperX 集成了语音活动检测（VAD）和说话人分离（Speaker Diarization）。

import whisperx

# 加载模型
model = whisperx.load_model("large-v3", device="cuda")

# 转录 + 对齐时间戳
audio = whisperx.load_audio("meeting.mp3")
result = model.transcribe(audio)
result_aligned = whisperx.align(result["segments"], model, audio)

# 说话人分离
diarize_model = whisperx.DiarizationPipeline(device="cuda")
diarize_segments = diarize_model(audio)
result_with_speakers = whisperx.assign_word_speakers(diarize_segments, result_aligned)

多模态模型生态

三、RAG 与向量检索

5. Milvus 3.0

GitHub: milvus-io/milvus ⭐ 32k+

Milvus 3.0 是一个全面的架构升级：引入 GPU 索引加速（相比 CPU 快 10-50 倍）、分布式多模态向量支持、以及原生的全文+向量混合搜索。

为什么选 Milvus：

云原生架构，支持 Kubernetes 部署
GPU 加速索引构建
混合搜索（向量 + 标量过滤 + 全文）
十亿级向量规模生产验证

from pymilvus import MilvusClient, DataType

client = MilvusClient("milvus_demo.db")

# 创建支持混合搜索的 Collection
client.create_collection(
    collection_name="docs",
    dimension=1024,
    enable_dynamic_field=True,
    index_params={"index_type": "GPU_IVF_FLAT", "metric_type": "COSINE"}
)

# 混合搜索：向量相似度 + 关键词过滤
results = client.search(
    collection_name="docs",
    data=[embedding],
    filter='category == "AI" and date > "2025-01-01"',
    output_fields=["title", "url"],
    limit=10
)

6. Dify

GitHub: langgenius/dify ⭐ 65k+

Dify 是目前最活跃的开源 LLM 应用开发平台。它提供了可视化的 Prompt 编排、RAG 管道、Agent 能力和对话流设计，让非技术人员也能构建 AI 应用。

核心能力：

可视化 Workflow 编排（拖拽式）
内置 RAG 管道（文档上传 → 切片 → 向量化 → 检索）
多模型支持（OpenAI、Claude、DeepSeek、本地模型）
Agent 工具链（搜索、代码执行、API 调用）
对话日志与分析

四、AI Agent 框架

7. LangGraph

GitHub: langchain-ai/langgraph ⭐ 12k+

LangGraph 是 LangChain 团队推出的基于有向图的 Agent 框架。相比 LangChain 的线性 Chain，LangGraph 允许精确控制 Agent 的每一步执行流程——包括循环、条件分支和并行执行。

from langgraph.graph import StateGraph, END
from typing import TypedDict

class AgentState(TypedDict):
    messages: list
    next_step: str
    result: str

def think(state: AgentState) -> AgentState:
    """LLM 推理节点"""
    response = llm.invoke(state["messages"])
    return {"messages": [response], "next_step": "act"}

def act(state: AgentState) -> AgentState:
    """工具调用节点"""
    last_msg = state["messages"][-1]
    if hasattr(last_msg, "tool_calls"):
        for tc in last_msg.tool_calls:
            result = execute_tool(tc)
            state["messages"].append(result)
    return {"next_step": "decide"}

def decide(state: AgentState) -> str:
    return "act" if state.get("need_tool") else END

# 构建图
graph = StateGraph(AgentState)
graph.add_node("think", think)
graph.add_node("act", act)
graph.add_conditional_edges("think", decide)
graph.set_entry_point("think")
app = graph.compile()

8. CrewAI

GitHub: crewAIInc/crewAI ⭐ 28k+

CrewAI 专注于多 Agent 协作——模拟一个团队中不同角色的分工合作。每个 Agent 有自己的角色、目标和工具，通过顺序或层级流程协同完成任务。

典型场景：

内容创作流水线（研究员 → 撰稿人 → 编辑）
代码审查团队（安全专家 + 性能专家 + 风格检查）
数据分析 pipeline（数据清洗 → 分析 → 可视化 → 报告）

AI Agent 框架对比

五、推理与部署基础设施

9. vLLM

GitHub: vllm-project/vllm ⭐ 48k+

vLLM 已成为开源 LLM 推理的事实标准。2025 年底的版本支持了 FP8 量化、多 LoRA 热切换、推测解码（Speculative Decoding）和跨 GPU 的张量并行。

为什么快：

PagedAttention：将 KV Cache 分页管理，内存利用率提升 2-4x
连续批处理（Continuous Batching）：动态合并请求
量化支持：FP8、INT8、GPTQ、AWQ
多 LoRA 热切换：无需重启即可切换微调适配器

# 一行命令启动 DeepSeek-V3 推理服务
python -m vllm.entrypoints.openai.api_server \
    --model deepseek-ai/DeepSeek-V3 \
    --quantization fp8 \
    --tensor-parallel-size 4 \
    --max-model-len 8192 \
    --enable-lora \
    --max-loras 10

10. Ollama

GitHub: ollama/ollama ⭐ 120k+

Ollama 让本地运行大模型像 docker run 一样简单。一条命令下载并运行任何模型，自动处理量化、GPU 加速和 API 服务。

# 一行命令运行 DeepSeek-R1
ollama run deepseek-r1:8b

# 自定义 Modelfile
FROM llama3
SYSTEM "你是一位 Python 专家"
PARAMETER temperature 0.5

六、工具与开发辅助

Unsloth：模型微调加速器

GitHub: unslothai/unsloth ⭐ 20k+

在开源大模型生态中，微调是让通用模型适配特定场景的关键环节。Unsloth 是目前最流行的模型微调加速库，通过手动优化的 CUDA Kernel 和内存管理策略，能将 LoRA / QLoRA 微调速度提升 2-5 倍，GPU 显存占用降低 50-80%。