最近小编详细尝试了一下本地部署大语言模型的几种方法，本节来介绍一下个人的一些使用体验，个人观点仅供参考。主要涉及本地部署客户端选择、模型下载、以及后续一些进阶方向。

本地部署方式1

Ollama+docker+openwebui

第一种方式通过上述软件组合而成，先安装ollama后安装docker,最后通过docker部署openwebui。最终的界面如下所示。该界面简洁类似于chatGPT的风格。关于该种方法部署可以参考下方链接

https://mp.weixin.qq.com/s/cQ3x3gUIVTR37D-zWeyfyA

方法1部署的UI界面主要在于简洁，但是此种方法存在的问题在于安装多款软件，尤其是要安装Docker运行其要耗费至少3G左右内存，其中docker就是占2G。同时通过Ollama下载的本地模型文件也会进行格式转换，非常的不便于后期迁移到其它设备,因此不太推荐此种方式。

本地部署方式2

LM_studio 网址： https://lmstudio.ai/

没错通过这种方式只需要下载这一款软件，因为其内置了llama.cpp可以直接运行本地模型，因此不需要安装其它配置软件，同时该软件对Mac的M芯片也做了适配支持MLX模型，下载时注意下载对应格式的模型文件即可。同时改软件只需要将下载的原始模型文件放入本地文件夹即可。

将模型放入右上角模型目录下即可，路径可自己定义，需要注意是双层文件夹，如下所示。

LM_studio_model/mlx-community/DeepSeek-Llama-8B-1.0   

模型下载

❝

模型主要通过huggingface下载，https://huggingface.co/models。

❝

若是使用Mac可下载MLX版本的模型文件，需要注意模型使用LM_studio加载会出现bug。
网址 https://huggingface.co/mlx-community

模型的选择

模型主要分为下方所列版本，精度越高对设备性能要求越高。本地个人电脑通常使用8-bit或4-bit。其区别主要如下所示：

❝

上方所列是一个模型的具体文件信息，如图所示模型文件有15G因此要运行此模型，内存要远大于16G估计要达到30G+，且显存也要大。若显存很小内存很大，则只能读入模型运行推理则速度非常慢，因此下载一个适合自己的模型非常重要。

进阶选择

如果只是本地部署现有的模型那基本意义不大，针对核心用户进阶方式大概有两个选择构建RAG知识库与模型微调。

❝

在大语言模型（LLM）应用中，RAG（Retrieval-Augmented Generation，检索增强生成） 和 模型微调（Fine-Tuning） 是两种不同的方法，分别用于增强模型的知识能力和适应特定任务。它们的主要区别如下：

❝

2. 工作流程对比
   🔹 RAG 工作流程
   1. 用户输入查询
   2. 检索（Retrieval）：从知识库（如向量数据库）中检索相关文档
   3. 增强（Augmentation）：将检索到的内容拼接到输入中
   4. 生成（Generation）：LLM 结合输入和检索内容生成回答
   🔹 模型微调工作流程
   1. 准备训练数据（对话、任务数据）
   2. 选择微调方法（LoRA, QLoRA, 全参数微调）
   3. 训练（调整模型权重）
   4. 推理（直接使用微调后的模型）

案例特点

所选案例图均属于个性化分析图表完全适用于论文发表，2025年起提供更加专业的html版注释文档更加直观易学。文档累计上千人次购买拥有良好的社群交流体验。R代码结构清晰易懂，为防止中文乱码提供单独的注释文档R代码结构清晰易懂，2025年起提供更加专业的htnl文档

群友精彩评论

2025更新案例图

2024年已更新案例图展示

如何系统的去学习大模型LLM ？

大模型时代，火爆出圈的LLM大模型让程序员们开始重新评估自己的本领。 “AI会取代那些行业？”“谁的饭碗又将不保了？”等问题热议不断。

事实上，抢你饭碗的不是AI，而是会利用AI的人。

继科大讯飞、阿里、华为等巨头公司发布AI产品后，很多中小企业也陆续进场！超高年薪，挖掘AI大模型人才！ 如今大厂老板们，也更倾向于会AI的人，普通程序员，还有应对的机会吗？

与其焦虑……

不如成为「掌握AI工具的技术人」，毕竟AI时代，谁先尝试，谁就能占得先机！

但是LLM相关的内容很多，现在网上的老课程老教材关于LLM又太少。所以现在小白入门就只能靠自学，学习成本和门槛很高。

基于此，我用做产品的心态来打磨这份大模型教程，深挖痛点并持续修改了近70次后，终于把整个AI大模型的学习门槛，降到了最低！

在这个版本当中：

第一您不需要具备任何算法和数学的基础
第二不要求准备高配置的电脑
第三不必懂Python等任何编程语言

您只需要听我讲，跟着我做即可，为了让学习的道路变得更简单，这份大模型教程已经给大家整理并打包，现在将这份 LLM大模型资料 分享出来：包括LLM大模型书籍、640套大模型行业报告、LLM大模型学习视频、LLM大模型学习路线、开源大模型学习教程等, 😝有需要的小伙伴，可以 扫描下方二维码领取🆓↓↓↓

👉CSDN大礼包🎁：全网最全《LLM大模型入门+进阶学习资源包》免费分享（安全链接，放心点击）👈

​

一、LLM大模型经典书籍

AI大模型已经成为了当今科技领域的一大热点，那以下这些大模型书籍就是非常不错的学习资源。

二、640套LLM大模型报告合集

这套包含640份报告的合集，涵盖了大模型的理论研究、技术实现、行业应用等多个方面。无论您是科研人员、工程师，还是对AI大模型感兴趣的爱好者，这套报告合集都将为您提供宝贵的信息和启示。(几乎涵盖所有行业)

三、LLM大模型系列视频教程

四、LLM大模型开源教程（LLaLA/Meta/chatglm/chatgpt）

五、AI产品经理大模型教程

LLM大模型学习路线 ↓

阶段1：AI大模型时代的基础理解

• 目标：了解AI大模型的基本概念、发展历程和核心原理。

• 内容：

  • L1.1 人工智能简述与大模型起源
  • L1.2 大模型与通用人工智能
  • L1.3 GPT模型的发展历程
  • L1.4 模型工程
  • L1.4.1 知识大模型
  • L1.4.2 生产大模型
  • L1.4.3 模型工程方法论
  • L1.4.4 模型工程实践
  • L1.5 GPT应用案例

阶段2：AI大模型API应用开发工程

• 目标：掌握AI大模型API的使用和开发，以及相关的编程技能。

• 内容：

  • L2.1 API接口
  • L2.1.1 OpenAI API接口
  • L2.1.2 Python接口接入
  • L2.1.3 BOT工具类框架
  • L2.1.4 代码示例
  • L2.2 Prompt框架
  • L2.3 流水线工程
  • L2.4 总结与展望

阶段3：AI大模型应用架构实践

• 目标：深入理解AI大模型的应用架构，并能够进行私有化部署。

• 内容：

  • L3.1 Agent模型框架
  • L3.2 MetaGPT
  • L3.3 ChatGLM
  • L3.4 LLAMA
  • L3.5 其他大模型介绍

阶段4：AI大模型私有化部署

• 目标：掌握多种AI大模型的私有化部署，包括多模态和特定领域模型。

• 内容：

  • L4.1 模型私有化部署概述
  • L4.2 模型私有化部署的关键技术
  • L4.3 模型私有化部署的实施步骤
  • L4.4 模型私有化部署的应用场景

这份 LLM大模型资料 包括LLM大模型书籍、640套大模型行业报告、LLM大模型学习视频、LLM大模型学习路线、开源大模型学习教程等, 😝有需要的小伙伴，可以 扫描下方二维码领取🆓↓↓↓

👉CSDN大礼包🎁：全网最全《LLM大模型入门+进阶学习资源包》免费分享（安全链接，放心点击）👈

​