从零开始搭建 air i：开源 AI 多模态数字桌面伴侣入门指南
最近在折腾 AI 助手时发现了 airi 这个开源项目，作为一个支持语音、图像、文本交互的多模态数字桌面伴侣（Multimodal AI Assistant），它比普通聊天机器人有趣多了。今天就把我从零开始踩坑的经验整理成指南，帮助同样想尝试的小伙伴少走弯路。
一、airi 能做什么？
airi 的核心能力可以概括为三个维度：
- 语音交互（Voice Interaction）：支持实时语音识别和合成，能听懂你的口头指令并用自然语音回应
- 图像理解（Image Understanding）：可以分析屏幕截图或上传的图片内容
- 文本处理（Text Processing）：具备基础的 NLP 能力，能处理文档、邮件等文本信息
这三个能力组合起来，就能实现诸如"帮我读邮件"、"截图分析当前页面"这样的复合指令。不过要注意，开源版本的能力边界是固定的，不像商业 AI 可以无限扩展。
二、部署方式选择
本地部署 vs 云 API
- 本地部署：
- 优点：数据隐私性好，响应延迟低
- 缺点：需要较强的硬件支持（至少 16GB 内存 +4 核 CPU）
- 适合：对隐私要求高、需要深度定制的场景
- 云 API 调用：
- 优点：无需考虑硬件，开箱即用
- 缺点：有网络延迟，按调用次数计费
- 适合：快速验证原型、轻量级应用
硬件要求参考
如果选择本地部署，建议配置：
- 最低配置：4 核 CPU/8GB 内存/10GB 硬盘（仅运行基础功能）
- 推荐配置：8 核 CPU/16GB 内存/NVIDIA 显卡（带 CUDA 加速）/20GB 硬盘
- 生产环境：16 核 CPU/32GB 内存/专业级 GPU/50GB 硬盘
三、安装指南
方法 1：Docker 部署（推荐）
# Linux/macOS/WSL2 环境
docker pull airi-project/core:latest
docker run -it --gpus all -p 8000:8000 airi-project/core
方法 2：源码编译
# Ubuntu 20.04 LTS
sudo apt install python3.9 git cmake
git clone https://github.com/airi-project/core.git
cd core
pip install -r requirements.txt
python setup.py develop
安装完成后，用这个命令验证：
airi-cli --version
四、核心代码示例
下面是一个典型的语音指令触发桌面操作的例子：
# 初始化 SDK（带异常处理）
try:
from airi.sdk import MultimodalEngine
engine = MultimodalEngine(
voice_config={: },
image_config={: }
)
ImportError e:
()
exit()
():
result[] == :
()
result[]:
webbrowser
webbrowser.()
engine.listen(
modality=,
timeout=,
callback=callback
)