JARVIS
microsoft/JARVIS加载项目详情…
本应用为开源项目，仅供学习研究，请遵守其开源协议。
微信扫码咨询客服
POMOAI — 让开源 AI 即刻运行
加载项目详情…
本应用为开源项目，仅供学习研究，请遵守其开源协议。
你是否曾经想象过：只要用自然语言描述一个需求，就能同时调动图像生成、语音识别、视频合成等多种AI模型，像一位"全能助手"一样自动协作完成复杂任务？
这正是 JARVIS（即 HuggingGPT）所做的事情——它是微软研究院推出的开源项目，旨在让大语言模型（LLM）作为"大脑"，协调HuggingFace Hub上数百个专业AI模型，完成从文本到图像、视频、语音等跨模态的复杂任务。
JARVIS 由微软研究院于2023年3月正式发布，论文发表于arXiv，标题为《HuggingGPT: Solving AI Tasks with ChatGPT and its Friends in HuggingFace》。项目由 Yongliang Shen、Kaitao Song、Xu Tan、Dongsheng Li、Weiming Lu 和 Yueting Zhuang 六位研究者共同完成，其中 Shen 和 Song 为共同第一作者。
这个项目的诞生背景非常清晰：尽管HuggingFace Hub上汇集了数以千计的预训练AI模型，覆盖文本、图像、语音、视频等多个领域，但普通用户很难准确知道该用哪个模型、怎么组合使用，更别提自己编写调用代码了。与此同时，大语言模型已经展现出了强大的意图理解和任务拆解能力。JARVIS 的核心思路就是：让LLM当"总指挥"，专业模型当"执行者"，语言作为它们之间的接口。
作者在论文中这样写道："Language serves as an interface for LLMs to connect numerous AI models for solving complicated AI tasks." 这句话精确概括了整个系统的设计哲学。
图1：JARVIS 系统架构总览，语言作为连接LLM与各领域专家模型的统一接口
JARVIS 的工作流程分为四个精密衔接的阶段：
第一阶段：任务规划（Task Planning）。用户以自然语言描述需求，例如"根据这张图片中的人物姿态，生成一段对应的舞蹈视频"。ChatGPT首先分析用户意图，将其拆解为若干可执行的子任务。拆解结果以结构化JSON格式输出，每个子任务包含任务ID、依赖关系（dep字段）和执行参数。
第二阶段：模型选择（Model Selection）。ChatGPT根据每个子任务的类型（图像生成？语音合成？文本分类？），从HuggingFace Hub中挑选最合适的专家模型。JARVIS 支持的模型覆盖文本生成、图像处理、语音识别、视频合成等数十种任务类型。
第三阶段：任务执行（Task Execution）。选定的模型在本地或HuggingFace推理端点上运行，将执行结果返回系统。
第四阶段：响应生成（Response Generation）。ChatGPT整合所有子任务的执行结果，生成最终的统一回复返回给用户。
图2：四阶段工作流示意，展示了从用户请求到最终响应的完整链路
这个流程的精妙之处在于任务的依赖建模：子任务之间的依赖关系（dep字段）确保了执行顺序的正确性。
从代码层面看，JARVIS 采用了典型的 Flask + Waitress 服务端架构，主入口 awesome_chat.py 负责解析用户请求、调用 ChatGPT API 执行任务规划与模型选择、汇总执行结果。models_server.py 是本地推理的核心模块，负责加载和运行各类专业模型。
支持的模型库包括：
配置文件支持三种部署模式：full模式（本地加载所有模型，VRAM 24GB+、磁盘300GB+）、hybrid模式（部分本地+部分API）、lite模式（纯API，零本地依赖）。
图3：JARVIS Prompt工程流程，展示了如何引导LLM正确输出结构化的任务规划结果
对于普通用户，最简单的方式是直接访问 HuggingFace Space 上的在线演示（https://huggingface.co/spaces/microsoft/HuggingGPT），无需任何配置即可体验完整功能。
如果想本地部署，minimum配置（lite模式）只需Ubuntu 16.04+系统和一个OpenAI API Key即可运行，无需下载任何模型。但要注意调用HuggingFace API会产生费用。
对于想体验完整能力的开发者，需要准备一台高配置服务器：VRAM至少24GB（推荐A100或RTX 3090+），磁盘空间超过300GB。
图4：用户提问示例，展示了JARVIS理解复杂多模态请求的能力
图5：JARVIS系统回答示例，展示了四阶段工作流的执行过程
JARVIS项目并未止步于HuggingGPT本身。2023年11月发布的 TaskBench 是评估LLM任务自动化能力的评测框架，包含了12个领域的真实API调用数据集。2024年1月发布的 EasyTool 针对JARVIS在使用工具时遇到的prompt冗长问题，提出了将工具文档压缩为简洁、结构化指令的方法，显著提升了LLM使用工具的效率和准确率。
JARVIS 也面临明显的局限性：API调用成本高（ChatGPT API按token计费）、多模型串行调用导致延迟较高（完整任务可能需要数十秒到数分钟）、本地部署门槛高（需要300GB+存储和24GB+ VRAM）。此外，2023年7月后项目进入维护状态，团队表示正在"规划评估和项目重建"，核心仓库没有再发布新版本。
JARVIS 是2023年最具影响力的AI Agent开源项目之一。它提出的"LLM作为控制器协调专家模型"范式，深刻影响了后续一系列多模态Agent系统的设计，包括LangChain Agent、HuggingFace Transformers Agent等。它的核心贡献在于证明了自然语言可以作为连接异构AI模型的通用协议，这一思想至今仍是AI Agent领域的基石。
图6：JARVIS / HuggingGPT 项目Logo
数据来源：GitHub (microsoft/JARVIS, 24,854★)、arXiv论文 (2303.17580)、HuggingFace Space