Llama Cpp

llama.cpp 本地 GGUF 推理 + HF Hub 模型发现。

技能元数据

来源	内置（默认安装）
路径	skills/mlops/inference/llama-cpp
版本	2.1.2
作者	Orchestra Research
许可证	MIT
依赖项	llama-cpp-python>=0.2.0
支持平台	linux, macos, windows
标签	llama.cpp, GGUF, Quantization, Hugging Face Hub, CPU Inference, Apple Silicon, Edge Deployment, AMD GPUs, Intel GPUs, NVIDIA, URL-first

参考：完整 SKILL.md

정보

以下是 Hermes 在该技能被触发时加载的完整技能定义。这就是技能激活时 Agent 看到的指令。

llama.cpp + GGUF

在需要时使用此技能进行本地 GGUF 推理、量化选择或针对 llama.cpp 的 Hugging Face 仓库发现。

使用时机

• 在 CPU、Apple Silicon、CUDA、ROCm 或 Intel GPU 上运行本地模型
• 为特定 Hugging Face 仓库找到合适的 GGUF 文件
• 基于 Hub 构建 llama-server 或 llama-cli 命令
• 在 Hub 上搜索已支持 llama.cpp 的模型
• 枚举某个仓库中可用的 .gguf 文件及其大小
• 根据用户的 RAM 或 VRAM 在 Q4/Q5/Q6/IQ 变体之间做选择

模型发现工作流

在请求使用 hf、Python 或自定义脚本之前，优先使用 URL 工作流。

1. 在 Hub 上搜索候选仓库：
   • 基础：https://huggingface.co/models?apps=llama.cpp&sort=trending
   • 添加 search=<term> 以限定模型家族
   • 当用户有大小限制时，添加 num_parameters=min:0,max:24B 等参数
2. 使用 llama.cpp 本地应用视图打开仓库：
   • https://huggingface.co/<repo>?local-app=llama.cpp
3. 当本地应用片段可见时，将其视为信息来源：
   • 复制准确的 llama-server 或 llama-cli 命令
   • 按 HF 显示的内容报告推荐的量化方式
4. 以页面文本或 HTML 方式读取相同的 ?local-app=llama.cpp URL，并提取 Hardware compatibility（硬件兼容性）部分：
   • 优先使用该部分给出的精确量化标签和大小，而非通用表格
   • 保留仓库特有的标签，如 UD-Q4_K_M 或 IQ4_NL_XL
   • 如果该部分在抓取的页面源码中不可见，则说明情况并回退到树 API 加上通用量化指导
5. 查询树 API 以确认实际存在的内容：
   • https://huggingface.co/api/models/<repo>/tree/main?recursive=true
   • 仅保留 type 为 file 且 path 以 .gguf 结尾的条目
   • 使用 path 和 size 作为文件名和字节大小的真实来源
   • 将量化检查点与 mmproj-*.gguf 投影文件以及 BF16/ 分片文件分开
   • 仅将 https://huggingface.co/<repo>/tree/main 作为人工备选方案
6. 如果本地应用片段不可见文本，则根据仓库及所选量化方式重建命令：
   • 简写量化选择：llama-server -hf <repo>:<QUANT>
   • 精确文件回退：llama-server --hf-repo <repo> --hf-file <filename.gguf>
7. 只有当仓库尚未暴露 GGUF 文件时，才建议从 Transformers 权重进行转换。

快速开始

安装 llama.cpp

# macOS / Linux（最简单）
brew install llama.cpp

winget install llama.cpp

git clone https://github.com/ggml-org/llama.cpp
cd llama.cpp
cmake -B build
cmake --build build --config Release

直接从 Hugging Face Hub 运行

llama-cli -hf bartowski/Llama-3.2-3B-Instruct-GGUF:Q8_0

llama-server -hf bartowski/Llama-3.2-3B-Instruct-GGUF:Q8_0

从 Hub 运行确切的 GGUF 文件

当树形 API 显示自定义文件命名或缺少确切的 HF 片段时使用此方式。

llama-server \
    --hf-repo microsoft/Phi-3-mini-4k-instruct-gguf \
    --hf-file Phi-3-mini-4k-instruct-q4.gguf \
    -c 4096

OpenAI 兼容服务器检查

curl http://localhost:8080/v1/chat/completions \
  -H "Content-Type: application/json" \
  -d '{
    "messages": [
      {"role": "user", "content": "写一首关于 Python 异常的打油诗"}
    ]
  }'

Python 绑定（llama-cpp-python）

pip install llama-cpp-python（CUDA：CMAKE_ARGS="-DGGML_CUDA=on" pip install llama-cpp-python --force-reinstall --no-cache-dir；Metal：CMAKE_ARGS="-DGGML_METAL=on" ...）。

基本生成

from llama_cpp import Llama

llm = Llama(
    model_path="./model-q4_k_m.gguf",
    n_ctx=4096,
    n_gpu_layers=35,     # CPU 设为 0，全部卸载到 GPU 设为 99
    n_threads=8,
)

out = llm("什么是机器学习？", max_tokens=256, temperature=0.7)
print(out["choices"][0]["text"])

聊天 + 流式输出

llm = Llama(
    model_path="./model-q4_k_m.gguf",
    n_ctx=4096,
    n_gpu_layers=35,
    chat_format="llama-3",   # 或 "chatml"、"mistral" 等
)

resp = llm.create_chat_completion(
    messages=[
        {"role": "system", "content": "你是一个有用的助手。"},
        {"role": "user", "content": "什么是 Python？"},
    ],
    max_tokens=256,
)
print(resp["choices"][0]["message"]["content"])

# 流式输出
for chunk in llm("解释一下量子计算：", max_tokens=256, stream=True):
    print(chunk["choices"][0]["text"], end="", flush=True)

嵌入向量

llm = Llama(model_path="./model-q4_k_m.gguf", embedding=True, n_gpu_layers=35)
vec = llm.embed("这是一个测试句子。")
print(f"嵌入向量维度：{len(vec)}")

你也可以直接从 Hub 加载 GGUF：

llm = Llama.from_pretrained(
    repo_id="bartowski/Llama-3.2-3B-Instruct-GGUF",
    filename="*Q4_K_M.gguf",
    n_gpu_layers=35,
)

选择量化版本

先参考 Hub 页面，再使用通用启发式规则。

• 优先选择 HF 上标记为与用户硬件配置兼容的精确量化版本。
• 对于常规聊天，从 Q4_K_M 开始。
• 对于代码或技术类工作，如果内存允许，优先选择 Q5_K_M 或 Q6_K。
• 对于极紧的内存预算，考虑 Q3_K_M、IQ 变体，或仅当用户明确优先考虑容量而非质量时才使用 Q2 变体。
• 对于多模态仓库，需单独提及 mmproj-*.gguf。投影文件不是主模型文件。
• 不要标准化仓库自带的标签。如果页面显示 UD-Q4_K_M，就报告 UD-Q4_K_M。

从仓库中提取可用的 GGUF 文件

当用户询问存在哪些 GGUF 文件时，返回：

• 文件名
• 文件大小
• 量化标签
• 是主模型还是辅助投影模型

除非被要求，否则忽略：

• README
• BF16 分片文件
• imatrix 数据块或校准产物

此步骤使用 tree API：

• https://huggingface.co/api/models/<repo>/tree/main?recursive=true

对于像 unsloth/Qwen3.6-35B-A3B-GGUF 这样的仓库，本地应用页面可以显示诸如 UD-Q4_K_M、UD-Q5_K_M、UD-Q6_K 和 Q8_0 这样的量化芯片，而 tree API 则暴露了确切的文件路径，例如 Qwen3.6-35B-A3B-UD-Q4_K_M.gguf 和 Qwen3.6-35B-A3B-Q8_0.gguf 及其字节大小。使用 tree API 将量化标签转换为确切的文件名。

搜索模式

直接使用以下 URL 格式：

https://huggingface.co/models?apps=llama.cpp&sort=trending
https://huggingface.co/models?search=<term>&apps=llama.cpp&sort=trending
https://huggingface.co/models?search=<term>&apps=llama.cpp&num_parameters=min:0,max:24B&sort=trending
https://huggingface.co/<repo>?local-app=llama.cpp
https://huggingface.co/api/models/<repo>/tree/main?recursive=true
https://huggingface.co/<repo>/tree/main

输出格式

在回答发现请求时，优先使用紧凑的结构化结果，例如：

Repo: <repo>
Recommended quant from HF: <label> (<size>)
llama-server: <command>
Other GGUFs:
- <filename> - <size>
- <filename> - <size>
Source URLs:
- <local-app URL>
- <tree API URL>

参考资料

• hub-discovery.md - 仅 URL 的 Hugging Face 工作流、搜索模式、GGUF 提取和命令重构
• advanced-usage.md — 推测解码、批量推理、语法约束生成、LoRA、多 GPU、自定义构建、基准测试脚本
• quantization.md — 量化质量权衡、何时使用 Q4/Q5/Q6/IQ、模型大小缩放、imatrix
• server.md — 直接从 Hub 启动服务器、OpenAI API 端点、Docker 部署、NGINX 负载均衡、监控
• optimization.md — CPU 线程、BLAS、GPU 卸载启发式、批处理调优、基准测试
• troubleshooting.md — 安装/转换/量化/推理/服务器问题、Apple Silicon、调试

资源

• GitHub: https://github.com/ggml-org/llama.cpp
• Hugging Face GGUF + llama.cpp 文档: https://huggingface.co/docs/hub/gguf-llamacpp
• Hugging Face 本地应用文档: https://huggingface.co/docs/hub/main/local-apps
• Hugging Face 本地 Agent 文档: https://huggingface.co/docs/hub/agents-local
• 本地应用页面示例: https://huggingface.co/unsloth/Qwen3.6-35B-A3B-GGUF?local-app=llama.cpp
• tree API 示例: https://huggingface.co/api/models/unsloth/Qwen3.6-35B-A3B-GGUF/tree/main?recursive=true
• llama.cpp 搜索示例: https://huggingface.co/models?num_parameters=min:0,max:24B&apps=llama.cpp&sort=trending
• 许可证: MIT