你想在本地部署大模型吗？本地部署大模型的三种工具_人工智能大模型本地用

“本地部署大模型的本质只是一个客户端”

人工智能的发展如火如荼，也让越来越多的人了解到人工智能；而对大部分人来说使用的都是第三方提供的客户端，不论是网页版，还是PC端或移动端。

那么，我们怎么在本地部署一款大模型呢？下面就来介绍三种工具。

01 本地部署大模型的三种工具‍‍

_GPT4ALL_‍

gpt4all是一款可以本地部署大模型的客户端工具，其支持window，macOS和ubuntu(一款linux桌面系统)系列。‍‍

其官网地址：https://gpt4all.io/index.html

github地址：https://github.com/nomic-ai/gpt4all

用户可以在自己电脑上安装GPT4ALL客户端，如下图所示：

用户可以选择自己需要的模型并进行下载使用，只需要有CPU即可，不需要有GPU的支持。

用户下载完客户端，并加载完模型之后，就可以像使用第三方的大模型一样使用，并且可以脱离网络使用。

GPT4ALL不但提供了桌面的客户端，对于懂技术的朋友来说，也提供了多语言的编程接口。

如下图所示，GPT4ALL提供了python和nodejs的编程接口。

文档地址：https://docs.gpt4all.io/

LLMStudio

LLMStudio是第二种本地部署大模型的工具，其同样支持多平台的操作系统：

官网地址：https://lmstudio.ai/

github地址：https://github.com/lmstudio-ai/lms

用户界面如下图所示，用户同样可以根据自己的需求下载对应的大模型，并使用。

LLMStudio同样支持接口访问，不过其仅支持通过API调用的方式访问，而不是像GPT4ALL可以直接使用python sdk的方式访问。

文档地址：https://lmstudio.ai/docs/local-server

Ollama

ollama是第三种本地部署大模型的方式，其同样支持三种平台，并且是完全开源的。

官网地址：https://ollama.com/

github地址：https://github.com/ollama/ollama

从使用者的角度来说，三者没有什么本质上的区别；只不过其对不同角色用户友好程度不一样。

比如，个人认为Ollama客户端更适合于开发者，而LLStudio更适合于使用者；因为LLMStudio的UI风丰富，而Ollama更简洁。

02 技术原理

从本质上来说，三种工具的技术没有本质上的区别，其都作为大模型的客户端来使用，只不过提供了更加丰富的使用方式用户界面和接口的方式。

而因为大模型的编程语言和访问方式的不同，工具可以通过混合编程，使用SDK和网络接口的方式来调用大模型的功能。

调用模型如下图所示：

从技术架构的角度来说，三种工具都采用了C/S模式的架构，LLM大模型作为服务器Server，三种工具作为客户端Client。

当然，对使用者来说需要使用三种工具作为客户端；而对开发者来说，也可以自己开发一款客户端来调用大模型，而如果对人工智能技术也有足够的研究，那么就可以自己开发并训练一款完全符合自己需求的大模型。

对使用者来说，他们需要的是使用好别人提供的大模型客户端；而对开发者来说，可以把大模型作为技术底座，在底座之上构建各种各样的应用。

如何学习大模型 AI ？

由于新岗位的生产效率，要优于被取代岗位的生产效率，所以实际上整个社会的生产效率是提升的。

但是具体到个人，只能说是：

“最先掌握AI的人，将会比较晚掌握AI的人有竞争优势”。

这句话，放在计算机、互联网、移动互联网的开局时期，都是一样的道理。

我在一线互联网企业工作十余年里，指导过不少同行后辈。帮助很多人得到了学习和成长。

我意识到有很多经验和知识值得分享给大家，也可以通过我们的能力和经验解答大家在人工智能学习中的很多困惑，所以在工作繁忙的情况下还是坚持各种整理和分享。但苦于知识传播途径有限，很多互联网行业朋友无法获得正确的资料得到学习提升，故此将并将重要的AI大模型资料包括AI大模型入门学习思维导图、精品AI大模型学习书籍手册、视频教程、实战学习等录播视频免费分享出来。

第一阶段（10天）：初阶应用

该阶段让大家对大模型 AI有一个最前沿的认识，对大模型 AI 的理解超过 95% 的人，可以在相关讨论时发表高级、不跟风、又接地气的见解，别人只会和 AI 聊天，而你能调教 AI，并能用代码将大模型和业务衔接。

• 大模型 AI 能干什么？
• 大模型是怎样获得「智能」的？
• 用好 AI 的核心心法
• 大模型应用业务架构
• 大模型应用技术架构
• 代码示例：向 GPT-3.5 灌入新知识
• 提示工程的意义和核心思想
• Prompt 典型构成
• 指令调优方法论
• 思维链和思维树
• Prompt 攻击和防范
• …

第二阶段（30天）：高阶应用

该阶段我们正式进入大模型 AI 进阶实战学习，学会构造私有知识库，扩展 AI 的能力。快速开发一个完整的基于 agent 对话机器人。掌握功能最强的大模型开发框架，抓住最新的技术进展，适合 Python 和 JavaScript 程序员。

• 为什么要做 RAG
• 搭建一个简单的 ChatPDF
• 检索的基础概念
• 什么是向量表示（Embeddings）
• 向量数据库与向量检索
• 基于向量检索的 RAG
• 搭建 RAG 系统的扩展知识
• 混合检索与 RAG-Fusion 简介
• 向量模型本地部署
• …

第三阶段（30天）：模型训练

恭喜你，如果学到这里，你基本可以找到一份大模型 AI相关的工作，自己也能训练 GPT 了！通过微调，训练自己的垂直大模型，能独立训练开源多模态大模型，掌握更多技术方案。

到此为止，大概2个月的时间。你已经成为了一名“AI小子”。那么你还想往下探索吗？

• 为什么要做 RAG
• 什么是模型
• 什么是模型训练
• 求解器 & 损失函数简介
• 小实验2：手写一个简单的神经网络并训练它
• 什么是训练/预训练/微调/轻量化微调
• Transformer结构简介
• 轻量化微调
• 实验数据集的构建
• …

第四阶段（20天）：商业闭环

对全球大模型从性能、吞吐量、成本等方面有一定的认知，可以在云端和本地等多种环境下部署大模型，找到适合自己的项目/创业方向，做一名被 AI 武装的产品经理。

• 硬件选型
• 带你了解全球大模型
• 使用国产大模型服务
• 搭建 OpenAI 代理
• 热身：基于阿里云 PAI 部署 Stable Diffusion
• 在本地计算机运行大模型
• 大模型的私有化部署
• 基于 vLLM 部署大模型
• 案例：如何优雅地在阿里云私有部署开源大模型
• 部署一套开源 LLM 项目
• 内容安全
• 互联网信息服务算法备案
• …

学习是一个过程，只要学习就会有挑战。天道酬勤，你越努力，就会成为越优秀的自己。

如果你能在15天内完成所有的任务，那你堪称天才。然而，如果你能完成 60-70% 的内容，你就已经开始具备成为一名大模型 AI 的正确特征了。

这份完整版的大模型 AI 学习资料已经上传CSDN，朋友们如果需要可以微信扫描下方CSDN官方认证二维码免费领取【保证100%免费】