Llama Cpp

llama.cpp 本地 GGUF 推理 + HF Hub 模型发现。

Skill 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	`llama-cpp-python>=0.2.0`
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

信息

以下是 AigenLabs 在触发此 skill 时加载的完整 skill 定义。这是 agent 在 skill 激活时所看到的指令内容。

llama.cpp + GGUF

本 skill 用于本地 GGUF 推理、量化（Quantization）选择，以及 Hugging Face 仓库发现（用于 llama.cpp）。

使用场景

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
从 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 变体之间做出选择

模型发现工作流

优先使用 URL 工作流，再考虑 hf、Python 或自定义脚本。

在 Hub 上搜索候选仓库：
- 基础地址：https://huggingface.co/models?apps=llama.cpp&sort=trending
- 添加 search=<term> 以搜索特定模型系列
- 当用户有参数量限制时，添加 num_parameters=min:0,max:24B 或类似参数
使用 llama.cpp 本地应用视图打开仓库：
- https://huggingface.co/<repo>?local-app=llama.cpp
当 local-app 代码片段可见时，将其作为权威来源：
- 复制完整的 llama-server 或 llama-cli 命令
- 严格按照 HF 显示的推荐量化标签进行报告
将同一 ?local-app=llama.cpp URL 作为页面文本或 HTML 读取，并提取 Hardware compatibility 部分：
- 优先使用其中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
- 如果该部分在获取的页面源码中不可见，请说明并回退到 tree API 加通用量化指导
查询 tree API 以确认实际存在的文件：
- https://huggingface.co/api/models/<repo>/tree/main?recursive=true
- 保留 type 为 file 且 path 以 .gguf 结尾的条目
- 以 path 和 size 作为文件名和字节大小的权威来源
- 将量化检查点与 mmproj-*.gguf 投影文件及 BF16/ 分片文件分开处理
- 仅将 https://huggingface.co/<repo>/tree/main 作为人工备用方案
如果 local-app 代码片段不可见，则从仓库和所选量化重建命令：
- 简写量化选择：llama-server -hf <repo>:<QUANT>
- 精确文件备用：llama-server --hf-repo <repo> --hf-file <filename.gguf>
仅当仓库未暴露 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（最简方式）
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 运行精确的 GGUF 文件

当 tree API 显示自定义文件命名或缺少精确 HF 代码片段时使用此方式。

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": "Write a limerick about Python exceptions"}
    ]
  }'

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" ...）。

基础生成

from llama_cpp import Llama

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

out = llm("What is machine learning?", max_tokens=256, temperature=0.7)
print(out["choices"][0]["text"])

对话 + 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": "You are a helpful assistant."},
        {"role": "user", "content": "What is Python?"},
    ],
    max_tokens=256,
)
print(resp["choices"][0]["message"]["content"])

# 流式输出
for chunk in llm("Explain quantum computing:", max_tokens=256, stream=True):
    print(chunk["choices"][0]["text"], end="", flush=True)

Embedding（嵌入向量）

llm = Llama(model_path="./model-q4_k_m.gguf", embedding=True, n_gpu_layers=35)
vec = llm.embed("This is a test sentence.")
print(f"Embedding dimension: {len(vec)}")

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,
)

选择量化方案

优先参考 Hub 页面，其次使用通用启发式规则。

优先使用 HF 标记为与用户硬件配置兼容的精确量化方案。
一般对话场景，从 Q4_K_M 开始。
代码或技术工作，若内存允许，优先选择 Q5_K_M 或 Q6_K。
RAM 非常紧张时，仅在用户明确将适配性置于质量之上时，才考虑 Q3_K_M、IQ 变体或 Q2 变体。
对于多模态仓库，单独说明 mmproj-*.gguf。投影文件不是主模型文件。
不要规范化仓库原生标签。如果页面显示 UD-Q4_K_M，就报告 UD-Q4_K_M。

从仓库提取可用的 GGUF 文件

当用户询问存在哪些 GGUF 时，返回：

文件名
文件大小
量化标签
是否为主模型或辅助投影文件

除非被要求，否则忽略：

README
BF16 分片文件
imatrix blob 或校准产物

此步骤使用 tree API：

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

对于 unsloth/Qwen3.6-35B-A3B-GGUF 这样的仓库，local-app 页面可显示 UD-Q4_K_M、UD-Q5_K_M、UD-Q6_K 和 Q8_0 等量化标签，而 tree API 则暴露精确文件路径（如 Qwen3.6-35B-A3B-UD-Q4_K_M.gguf 和 Qwen3.6-35B-A3B-Q8_0.gguf）及字节大小。使用 tree API 将量化标签转换为精确文件名。

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

回答发现请求时，优先使用如下紧凑结构化结果：

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 — 纯 URL Hugging Face 工作流、搜索模式、GGUF 提取及命令重建
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
local-app 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

Skill 元数据​

参考：完整 SKILL.md​

llama.cpp + GGUF

使用场景​

模型发现工作流​

快速开始​

安装 llama.cpp​

直接从 Hugging Face Hub 运行​

从 Hub 运行精确的 GGUF 文件​

OpenAI 兼容服务器检查​

Python 绑定（llama-cpp-python）​

基础生成​

对话 + 流式输出​

Embedding（嵌入向量）​

选择量化方案​

从仓库提取可用的 GGUF 文件​

搜索模式​

输出格式​

参考资料​

资源​