2022 年底，一个 AI 项目上线的深夜。

作为大厂的资深 AI 算法部署工程师，Always 刚完成了第 N 个从算法到上线的项目。他没有喜悦，反而盯着屏幕陷入了沉思。他发现，所有 AI 落地项目，本质上都在重复同一套繁杂的流程——无非是换了模型和业务逻辑。这个过程，正是业内最头痛的AI 落地最后一公里。

“为什么我们要在这些重复的事情上，浪费这么多时间？”

一个念头在他脑中升起：能不能把这套流程彻底抽象成一个通用框架？拖拽⼯作流+有向⽆环图+多端推理⸺这个技术⽅案在他的脑海⾥逐渐清晰。为了实现这个想法，他做出了一个在外人看来“不太理智”的决定：主动降薪 40%，跳槽到一家 955 的公司，从而有更多的时间和精力，把这个框架做出来，并把它开源！

于是，nndeploy 诞生了！

这是一款专为 AI 落地最后一公里 而生的易用、高性能端侧 AI 部署框架。它通过可视化⼯作流降低⻔槛，统⼀接⼝搞定多端推理，并提供 LLM、AIGC、换脸、目标检测、图像分割等开箱即用的 AI 模型部署配置文件。让 AI 落地，从数周缩短至几天。

GitHub 地址：github.com/nndeploy/nndeploy

很多人可能会问：AI 落地还不简单？不就是调个 API 吗？

如果真是这样，那 nndeploy 这种部署框架岂不是多此一举？

尤其是在端侧（On-Device）——也就是手机、汽车、摄像头这些设备上——这个问题的答案尤其清晰：还真不行。

试想一下：自动驾驶汽车在高速上需要紧急刹车，它能等待一个网络 API 返回结果吗？工厂的质检摄像头，能忍受零点几秒的网络延迟吗？更不用说，当你的手机需要人脸解锁时，你敢把自己的信息毫无保留地传到云端吗？

延迟、隐私、成本——这三座大山，让端侧部署成为 AI 落地的重要阵地，进一步拓宽了应用的边界。

而 AI 部署工程师的“战场”，就是要把那些“聪明模型”塞进各种资源受限的设备中。他们面对的是发热的芯片、有限的算力、以及五花八门的操作系统……他们是把 AI 从“实验室”带到更多人身边的幕后英雄。

这批工程师也是 AI 开发岗位中需求量大、门槛相对较低、薪资也同样可观的主流“AI 饭碗”。

而这，也正是 Always（nndeploy 发起人）想解决的另一个核心问题。他希望 nndeploy 不仅是一个 AI 部署框架，更能为那些想从软件工程师转型到 AI 部署的开发者，提供一套开箱即用的“武器库”。

二、nndeploy：助力 AI 部署工程师的每个阶段

nndeploy 为什么能成为 AI 部署工程师的“必备工具箱”？

秘诀在于：它为不同阶段的 AI 部署工程师量身打造了关键能力。

• 新手友好：超低门槛的可视化工具，助你轻松入门。
• 专业进阶：深度优化能力，助力打造高性能解决方案。
• 高效实战：丰富算法库，兼顾效率与学习，开箱即用。

2.1 可视化“木剑”，轻松上手

nndeploy 的首要目标，是让 AI 落地变得前所未有的简单。对于转行或刚入门的工程师，它提供了极致直观的体验：

• 可视化工作流：拖拽节点即可部署 AI 算法，参数实时可调，效果一目了然。
• 自定义节点：无论是用 Python 实现预处理，还是用 C++/CUDA 编写高性能节点，均可无缝集成于工作流。
• 一键多端部署：工作流支持导出为 JSON，可通过 C++/Python API 调用，适用于 Linux、Windows、macOS、Android、iOS 等平台。

2.2 高性能“屠龙刀”，攻克生产难题

在高性能需求下，nndeploy 是工程师手中的“屠龙刀”。它为资深从业者内置了面向“最后一公里”的深度优化：

• 并行优化：支持串行、流水线并行和任务并行等多种执行模式。
• 内存优化：零拷贝、内存池、内存复用等优化策略，专为端侧资源优化设计。
• 高性能优化：内置 C++/CUDA/Ascend C/SIMD 等多种高性能节点实现。
• 多端推理：支持 13+ 主流推理框架（TensorRT、ONNXRuntime、OpenVINO 等），无缝适配云、边、端全场景。

以 YOLOv11s 端到端工作流总耗时为例，串行 vs 流水线并行：

2.3 开箱即用的算法库，高效又好学

nndeploy 内含 100+ 常用节点，覆盖主流 AI 应用场景。无需反复造轮子，高频需求一键满足。丰富的案例也是最佳学习资料：拿来即用、跑通即会！

注：nndeploy 专注于端侧，仅支持参数量在 0.3B~7B 级别的大语言模型。

三、五分钟用上你的第一个 AI 应用

nndeploy 的上手体验到底有多丝滑？

无需复杂配置，5 分钟就能启动并部署一个 AI 应用。

1. 一键安装

pip install --upgrade nndeploy

2. 启动可视化编辑器

nndeploy-app --port 8000

启动成功后，打开 http://localhost:8000 即可进入工作流编辑器。在这里，你可以拖拽节点、调整参数、实时预览效果，所见即所得。

3. 保存并执行：从原型到生产

在可视化界面中搭建、调试完成后，点击保存，工作流就会导出为一个 JSON 文件。

这个 JSON 文件就是你的 AI 应用，它封装了你所有的流程和逻辑。你可以用以下两种方式在生产环境中运行它：

方式 1：命令行一键执行

用于快速测试和验证。

# Python 命令行
nndeploy-run-json --json_file path/to/workflow.json
# C++ 命令行
nndeploy_demo_run_json --json_file path/to/workflow.json

方式 2：在 C++/Python 代码中加载

这才是最核心的用法。你可以将这个 JSON 文件无缝集成到你现有的 C++ 或 Python 项目中，以下是一个加载 LLM 工作流的示例代码：

Python 示例

graph = nndeploy.dag.Graph("")
graph.remove_in_out_node()
# 仅需加载导出的 JSON 文件
graph.load_file("path/to/llm_workflow.json")
graph.init()

# 准备输入数据
input = graph.get_input(0)    
text = nndeploy.tokenizer.TokenizerText()
text.texts_ = [ "<|im_start|>user\nPlease introduce NBA superstar Michael Jordan<|im_end|>\n<|im_start|>assistant\n" ]
input.set(text)

# 执行并获取结果
status = graph.run()
output = graph.get_output(0)
result = output.get_graph_output()  

# 释放资源
graph.deinit()

C++ 示例

std::shared_ptr<Graph> graph = std::make_shared<Graph>("");
// 仅需加载导出的 JSON 文件
base::Status status = graph->loadFile("path/to/llm_workflow.json");
graph->removeInOutNode();
status = graph->init();

// 准备输入数据
Edge* input = graph->getInput(0);
tokenizer::TokenizerText* text = new tokenizer::TokenizerText();
text->texts_ = {
    "<|im_start|>user\nPlease introduce NBA superstar Michael Jordan<|im_end|>\n<|im_start|>assistant\n"
};
input->set(text, false);

// 执行并获取结果
status = graph->run();
Edge* output = graph->getOutput(0);
tokenizer::TokenizerText* result = output->getGraphOutput<tokenizer::TokenizerText>();

// 释放资源
status = graph->deinit();

四、技术解读：如何实现简单且高性能？

nndeploy 通过将 AI 算法拆解为工作流节点进行部署，采用三层分离架构设计，整体结构如图所示：

三层架构详解如下：

计算执行层是 nndeploy 的高性能核心，由图执行引擎与多端推理两大模块组成：

1. 图执行引擎：基于有向无环图（DAG）实现工作流调度，⽀持灵活的串⾏、任务并行、流水线并⾏和组合并行执⾏模式。
2. 多端推理：统一封装 10 余种主流推理后端，提供跨平台推理能力。

整体架构如下图所示：

4.1 图执行引擎

Graph 本身继承自 Node，可作为子图嵌套，支持任意层级组合。图执行引擎包含三层抽象：

• Graph（图）：工作流容器，负责节点管理、拓扑排序与调度执行。
• Node（节点）：独立的计算单元。
• Edge（边）：节点间数据传递通道。

这种“图即节点”的设计，让用户像搭积木一样自由组合算法节点，构建复杂的 AI 工作流。支持以下执行模式：

• 串行执行：按拓扑顺序逐节点执行。
• 流水线并行：前处理、推理、后处理等环节并行，提升数据吞吐。
• 任务并行：无依赖节点同时运行，缩短整体耗时。
• 组合并行：支持嵌套，灵活组合各种并行方式，充分释放硬件性能。

4.2 多端推理

nndeploy 的多端推理模块为不同推理后端提供统一接口，开发者无需关心底层框架差异。例如，新增 MNN 推理后端的流程包括：

1. 理解 MNN 的 API 和推理流程。
2. 熟悉 nndeploy 的推理基类与超参数配置类。
3. 编写适配器：继承推理基类实现适配逻辑、继承超参数类实现参数配置、实现数据转换⼯具函数。
4. 基于新后端运行模型，验证功能完整性。

针对不同推理框架的数据交互方式（如 TensorRT 的 io_binding、OpenVINO 的 ov::Tensor、TNN 的 TNN::Blob），nndeploy 设计了统一的数据容器 Tensor 和 Buffer，彻底屏蔽底层差异。

同时，框架提供异构设备抽象层，统一不同硬件编程模型。目前已支持 CPU（X86、ARM）、GPU（CUDA）、NPU（如华为昇腾 AscendCL）等，让同一份代码可在多种硬件平台上高效运行，实现一次开发，多端部署。

此外，框架内部还开发了推理子模块作为缺省推理框架，当用户环境未编译链接其他推理框架时可使用。模型支持方面，已适配图像分类（ResNet50）、目标检测（YOLOv11）、图像分割（RMBG1.4）等，目前正拓展大语言模型（LLM）推理支持并优化性能。

五、从一个人的想法到一群人的坚持

nndeploy 从最初的想法到正式开源，打磨了近一年。2023 年 8 月 28 日，nndeploy 第一个版本正式开源。当天就收到了 CGraph 作者 Chunel 的认可和热情推广，项目很快突破 100 Star。

随着 nndeploy 被越来越多开发者了解，一批认同其理念的小伙伴逐渐聚集起来。随后，csrdxka、youxiudeshouyeren、zhangzhaosen 等开发者加入，成为项目早期的核心贡献者，共同推动 nndeploy 的成长。

项目日益成熟后，nndeploy 也迎来了真实生产场景的考验：

• 文档处理公司：用它搭建完整的 OCR 流水线。
• 智能汽车企业：在座舱项目中部署 NLP 算法。
• AI Box 公司：利用其多端能力部署边缘算法。

这些来自产业一线的真实应用和反馈，为 nndeploy 的持续迭代提供了宝贵的方向！

看到 nndeploy 如今在真实产业中落地开花，我尤其感慨，因为我见证了它一步步成长的全过程。

六、写在最后

我认识 Always（nndeploy 发起人）时，他刚开始做开源不久。我们成为朋友，也是在某个凌晨，两个人大晚上打字聊了 3 小时。我们聊开源、聊理想、也聊 nndeploy。那时的 nndeploy，还只是一个纯后端框架——“黑框框”。我认真地对他说：“你得做可视化，门槛才能真正降下来。”

他只回了一个“好”。然后，便从我的世界“消失”了近一年。

再次见到 nndeploy 时，他带着一个功能完整的可视化界面出现在我面前。那一刻的震撼，真的难以言表，我本以为他不会认真考虑我的建议，没想到他一直在默默做这个功能！我当即决定将 nndeploy 收录到《HelloGitHub》月刊，因为它具备了我认为优秀开源项目最关键的两点：长期主义和源于自身需求。

此后，我们又花了四个月打磨这篇文章，终于可以将 nndeploy 及其背后的开源故事分享给大家。

GitHub 地址：github.com/nndeploy/nndeploy

我看好 nndeploy 的未来，更相信 Always 对理想的坚持——打通 AI 落地的最后一公里。