梅州市网站建设_网站建设公司_JSON_seo优化

“模型本地部署是运维人员的基本技能，也是开发人员的基本技能。”

在大模型应用中，数据安全问题是很多企业关注的重点，特别是政务，金融，医疗等领域，对数据安全性有着更高的要求。

因此，这时使用第三方模型服务就不再是一个好的选择，而本地部署模型就成了唯一的选择；但是，模型应该怎么部署呢？

本地部署模型

我们都知道大模型由于其庞大的参数和算法，需要进行大量的计算，而为了解决这个问题就需要大量的显卡来提升运算效率。

显卡和CPU的区别就类似于小学生和大学生的区别；计算100以内的加法，不论是小学生还是大学生都可以解决；CPU就类似于大学生，其计算速度快，效率高，计算一百道题可能只需要十秒钟；但如果找一百个小学生，五秒钟可能就搞定了。这就是显卡和CPU的区别，显卡虽然计算效率慢，但我成本低，数量多。

可能很多人多没本地部署过模型，对模型的部署流程也不了解；那么我们就先来了解一下部署一个模型需要哪些环节？

首先，部署模型我们需要有一台算力机，这台算力机上需要配置一定数量的显卡；当然使用CPU部署模型可以，但从效果和成本角度来看，还是显卡性价比更好，效率更快。

而显卡作为硬件，那么肯定需要有驱动，因此还需要安装驱动，目前国内外有很多提供算力的厂商，如华为，阿里云，谷歌，微软等。

有了显卡之后，还需要有推理引擎，如ollama，vllm，SGLang等多种推理引擎；这些推理引擎的作用是对模型运算环境进行优化，使得其效率更高。

所以，我们在部署模型之前需要先准备带显卡的物理机，然后在机器上安装推理引擎。

当然，理论上来说显卡只提供算力，不针对任何模型，但不同的模型厂商由于商业竞争或其它原因，可能针对某些特定的模型进行优化过；再者，虽然推理引擎也只是为了更好的使用算力，但也由于同样的原因，有些模型只支持在特定的推理引擎上运行。

所以，在选择推理引擎时，我们需要先确定我们需要使用的模型，如果为了简单方便，可以选择一个大部分模型都支持的推理引擎。

在安装完推理引擎之后，就可以下载模型了；下载模型可以选择从模型官网下载，国内的魔塔社区，国外的huggingface等。

建议：如果本地安装模型最好选择使用docker镜像安装，因为其管理比较简单方便，并且不会对宿主系统产生侵入。

# 使用docker部署vllm推理引擎 docker run -it -d \ --name deepseek \ --net=host \ --shm-size=8g \ --device /dev/davinci0 \ --device /dev/davinci1 \ --device /dev/davinci2 \ --device /dev/davinci3 \ --device /dev/davinci_manager \ --device /dev/devmm_svm \ --device /dev/hisi_hdc \ -v /usr/local/dcmi:/usr/local/dcmi \ -v /usr/local/Ascend/driver/tools/hccn_tool:/usr/local/Ascend/driver/tools/hccn_tool \ -v /usr/local/bin/npu-smi:/usr/local/bin/npu-smi \ -v /usr/local/Ascend/driver/lib64/:/usr/local/Ascend/driver/lib64/ \ -v /usr/local/Ascend/driver/version.info:/usr/local/Ascend/driver/version.info \ -v /etc/ascend_install.info:/etc/ascend_install.info \ -v /llm/models:/models \ vllm-ascend:v0.11.0rc1 bash

由此就可以使用docker部署vllm模型。

安装完推理引擎之后，就可以对模型进行部署，如vllm部署模型：

nohup vllm serve /models/Qwen/Qwen3-30B-A3B \ --tensor-parallel-size 2 \ --seed 1024 \ --max-model-len 40960 \ --max-num-seqs 25 \ --served-model-name Qwen3-30B-A3B \ --trust-remote-code \ --gpu-memory-utilization 0.95 \ --port 5325 \ --enable-auto-tool-choice \ --tool-call-parser hermes \ --api-key xxxx秘钥\ > output.log 2>&1 &

如以上命令，在vllm容器内执行之后，就可以在本地部署Qwen3-30B模型，并通过5325端口访问。

学习本地模型部署的目的不是仅仅只是了解模型的部署流程，而是要明白不同的算力平台对模型的支持程度也不一样；而我们在企业级应用中，需要做的是了解不同平台的优劣势，并选择合适的平台。

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】