经 AI Skill Hub 精选评估，asiai LLM基准测试工具 获评「推荐使用」。这款AI工具在功能完整性、社区活跃度和易用性方面表现出色，AI 评分 7.2 分，适合有一定技术背景的用户使用。
专为苹果硅芯片优化的开源MCP工具，提供多引擎LLM基准测试与性能监控功能。支持命令行操作，适合AI开发者、研究人员评估和对比不同大语言模型在本地的推理性能。
asiai LLM基准测试工具 是一款基于 Python 开发的开源工具，专注于 MCP、LLM基准测试、苹果芯片 等核心功能。作为 GitHub 开源项目，它拥有活跃的社区支持和持续的版本迭代，代码完全透明可审计，支持本地部署以保护数据隐私。无论是个人使用还是集成到企业工作流，都能提供稳定可靠的解决方案。
专为苹果硅芯片优化的开源MCP工具，提供多引擎LLM基准测试与性能监控功能。支持命令行操作，适合AI开发者、研究人员评估和对比不同大语言模型在本地的推理性能。
asiai LLM基准测试工具 是一款基于 Python 开发的开源工具，专注于 MCP、LLM基准测试、苹果芯片 等核心功能。作为 GitHub 开源项目，它拥有活跃的社区支持和持续的版本迭代，代码完全透明可审计，支持本地部署以保护数据隐私。无论是个人使用还是集成到企业工作流，都能提供稳定可靠的解决方案。
# 方式一：pip 安装（推荐）
pip install asiai
# 方式二：虚拟环境安装（推荐生产环境）
python -m venv .venv
source .venv/bin/activate # Windows: .venv\Scripts\activate
pip install asiai
# 方式三：从源码安装（获取最新功能）
git clone https://github.com/druide67/asiai
cd asiai
pip install -e .
# 验证安装
python -c "import asiai; print('安装成功')"
# 命令行使用
asiai --help
# 基本用法
asiai input_file -o output_file
# Python 代码中调用
import asiai
# 示例
result = asiai.process("input")
print(result)
# asiai 配置文件示例（config.yml） app: name: "asiai" debug: false log_level: "INFO" # 运行时指定配置文件 asiai --config config.yml # 或通过环境变量配置 export ASIAI_API_KEY="your-key" export ASIAI_OUTPUT_DIR="./output"
<p align="center"> <img src="assets/logo.svg" alt="asiai logo" width="140"> </p>
<p align="center"> <strong>Apple Silicon AI</strong> — Multi-engine LLM benchmark & monitoring CLI </p>
<p align="center"> <a href="https://pypi.org/project/asiai/"><img src="https://img.shields.io/pypi/v/asiai.svg" alt="PyPI"></a> <a href="https://pypi.org/project/asiai/"><img src="https://img.shields.io/pypi/dm/asiai.svg?color=brightgreen" alt="Downloads"></a> <a href="https://github.com/druide67/asiai/actions/workflows/ci.yml"><img src="https://github.com/druide67/asiai/actions/workflows/ci.yml/badge.svg" alt="CI"></a> <a href="https://codecov.io/gh/druide67/asiai"><img src="https://codecov.io/gh/druide67/asiai/branch/main/graph/badge.svg" alt="Coverage"></a> <a href="LICENSE"><img src="https://img.shields.io/badge/license-Apache%202.0-blue.svg" alt="License"></a> <a href="https://python.org"><img src="https://img.shields.io/badge/python-3.11%2B-blue.svg" alt="Python"></a> <a href="https://support.apple.com/en-us/116943"><img src="https://img.shields.io/badge/macOS-Apple%20Silicon-black.svg" alt="macOS"></a> <a href="https://github.com/sponsors/druide67"><img src="https://img.shields.io/badge/sponsor-%E2%9D%A4-pink.svg" alt="Sponsor"></a> <a href="https://api.asiai.dev/api/v1/badge/benchmarks"><img src="https://api.asiai.dev/api/v1/badge/benchmarks" alt="Benchmarks"></a> <a href="https://api.asiai.dev/api/v1/badge/top-speed"><img src="https://api.asiai.dev/api/v1/badge/top-speed" alt="Top Speed"></a> <a href="https://www.asiai.dev/agent/"><img src="https://api.asiai.dev/api/v1/agent-badge" alt="AI Agents"></a> </p>
<p align="center"> <img src="assets/asiai-demo.gif" alt="asiai bench demo" width="720"> </p>
asiai compares inference engines side-by-side on your Mac. Load the same model on Ollama and LM Studio, run asiai bench, get the numbers. No guessing, no vibes — just tok/s, TTFT, power efficiency, and stability per engine.
Share your results with the community (--share), compare against other Apple Silicon users (asiai compare), and get smart engine recommendations (asiai recommend).
Born from the OpenClaw project, where we needed hard data to pick the fastest engine for multi-agent swarms on Mac Mini M4 Pro.
The core uses only the Python standard library — urllib, sqlite3, subprocess, argparse. No requests, no psutil, no rich. Just stdlib.
Optional extras: - asiai[web] — FastAPI web dashboard with charts - asiai[tui] — Textual terminal dashboard - asiai[all] — Web + TUI - asiai[dev] — pytest, ruff
Interactive setup wizard — detects hardware, engines, models, and suggests next steps.
asiai setuppipx install asiai # Recommended: isolated installOr via Homebrew:
brew tap druide67/tap
brew install asiaiOther options:
uvx asiai detect # Run without installing (requires uv)
pip install asiai # Standard pip installThen benchmark and share:
asiai bench --quick --card --share # Bench + shareable card in ~15 secondsWhen running asiai web, three REST API endpoints are available for programmatic access. Interactive API documentation (Swagger UI) is available at http://localhost:8899/docs.
| Endpoint | Description |
|---|---|
GET /api/status | Lightweight health check (< 500ms) — engine reachability, memory pressure, thermal |
GET /api/snapshot | Full system + engine snapshot with loaded models, VRAM, versions |
GET /api/benchmarks | Benchmark results with tok/s, TTFT, power, context_size, engine_version |
GET /api/engine-history | Engine status history (TCP, KV cache, tokens predicted) |
GET /api/benchmark-process | Process CPU/RSS metrics from benchmark runs (7d retention) |
GET /api/metrics | Prometheus exposition format — system, engine, model, benchmark gauges |
asiai monitor --json | jq '.mem_pressure'
asiai models --json | jq '.engines[].models[].name'```yaml
asiai bench --compare qwen3.5:4b deepseek-r1:7b -e ollama --card ```
The runner resolves model names across engines automatically — gemma2:9b (Ollama) and gemma-2-9b (LM Studio) are matched as the same model.
Compare your local results against community medians.
asiai compare --chip "Apple M1 Max" --model qwen2.5:7b针对性强的苹果芯片LLM基准测试工具，MCP框架集成完整。项目活跃度一般��功能专业但用户基数小，适合特定开发场景。
AI Skill Hub 为第三方内容聚合平台，本页面信息基于公开数据整理，不对工具功能和质量作任何法律背书。
建议在沙箱或测试环境中充分验证后，再部署至生产环境，并做好必要的安全评估。
✅ Apache 2.0 — 宽松开源协议，可商用，需保留版权声明和 NOTICE 文件，含专利授权条款。
AI Skill Hub 点评：asiai LLM基准测试工具 的核心功能完整，质量良好。对于AI 技术爱好者来说，这是一个值得纳入个人工具库的选择。建议先在非生产环境试用，再逐步推广。
| 原始名称 | asiai |
| 原始描述 | 开源MCP工具：Multi-engine LLM benchmark & monitoring CLI for Apple Silicon。⭐7 · Python |
| Topics | MCPLLM基准测试苹果芯片性能监控CLI工具 |
| GitHub | https://github.com/druide67/asiai |
| License | Apache-2.0 |
| 语言 | Python |
收录时间：2026-05-19 · 更新时间：2026-05-24 · License：Apache-2.0 · AI Skill Hub 不对第三方内容的准确性作法律背书。