开源 AI 指以开源形式发布模型权重、代码与工具的人工智能生态，代表如 Llama、Qwen、DeepSeek、Mistral 等开源大模型及 n8n、FastGPT、Dify 等开源应用框架，通过开放与社区协作降低 AI 使用门槛、推动技术创新。
AI Glossary
开源 AI 指以开源形式发布的人工智能生态：包括开源模型（公开权重与推理代码的大模型）、开源框架（训练/推理工具）、开源应用（AI 应用平台与工具）等。代表如 Llama、Qwen（通义千问开源版）、DeepSeek、Mistral 等开源大模型，以及 n8n、FastGPT、Dify、LangChain 等开源应用基础设施。
开源 AI 的核心逻辑是「开放与协作」：模型与代码公开，任何人可下载、部署、研究、改进，社区共同推动技术迭代，而不是只靠少数公司闭门研发。
开源大模型：公开权重与推理代码，可本地/私有部署。代表：Llama（Meta）、Qwen（阿里）、DeepSeek（深度求索）、Mistral（法国）、GLM（智谱）等。许可从宽松（Apache/MIT）到限制性（Llama 许可）不一。
开源工具链：LangChain（应用编排）、Ollama（本地模型运行）、vLLM（推理加速）、Hugging Face（模型托管生态）等，让部署与开发标准化。
开源应用平台：n8n（工作流）、FastGPT（知识库问答）、Dify（AI 应用开发）等，把 AI 能力封装成可自托管的业务工具。
开源数据集与评测：公开数据与基准（MMLU、GSM8K 等），支撑研究与能力对比。
降低成本：免费获取模型与工具，按需自托管，摆脱 API 按量付费，适合数据敏感与成本敏感场景。
数据可控：私有化部署保障数据不出内网，满足合规要求。
加速创新：社区贡献推动模型与工具快速迭代，小团队也能基于开源构建产品。
透明可信：权重公开可审计，研究与安全评估更透明。
一是「开源」程度之争：部分模型只开源权重不开源训练数据，是否算「真开源」存在争议（如 Llama 的许可限制）。
二是「Open Weights vs Open Source」：OSI 等机构对「开源 AI」的定义争论不休，影响合规判断。
三是安全风险：开源模型可被滥用，缺少闭源产品的使用边界与责任机制。
四是工程成本：自托管需要算力、运维与安全能力，开源不等于免费，总成本需评估。
个人开发者：用 Ollama 本地跑开源模型做实验，用开源工具链快速搭建应用原型。
企业：数据敏感场景评估自托管方案，用开源应用平台（n8n/FastGPT/Dify）构建业务系统。
研究者：基于开源模型做微调、评测与学术研究。
选择时注意：核对模型许可（商用限制）、评估部署成本、关注社区活跃度与维护状况。
开源 AI 以「开放权重 + 社区协作」重塑了 AI 生态：模型与工具公开，让个人与企业都能参与构建。它的价值在成本、可控与创新，挑战在定义之争、安全与工程成本。对使用者，正确姿势是「按场景选型」——实验与隐私场景用开源自托管，规模化与省心场景用云服务；理解许可与成本，才能用好开源 AI 的红利。
