Llama Cpp

llama.cpp 本地 GGUF 推理 + Hugging Face Hub 模型发现。

技能元数据

来源	捆绑（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
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

以下是当此技能被触发时，Hermes 加载的完整技能定义。这是技能激活时智能体看到的指令。

llama.cpp + GGUF

使用此技能进行本地 GGUF 推理、量化选择或为 llama.cpp 发现 Hugging Face 仓库。

何时使用

• 在 CPU、Apple Silicon、CUDA、ROCm 或 Intel GPU 上运行本地模型
• 为特定 Hugging Face 仓库查找合适的 GGUF
• 根据 Hub 信息构建 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 或显存，在 Q4/Q5/Q6/IQ 变体之间做出选择

模型发现工作流

在询问 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> 以搜索特定模型系列
   • 当用户有尺寸限制时，添加 num_parameters=min:0,max:24B 或类似参数
2. 使用 llama.cpp 本地应用视图打开仓库：
   • https://huggingface.co/<repo>?local-app=llama.cpp
3. 当可见时，将本地应用代码片段视为权威信息来源：
   • 精确复制 llama-server 或 llama-cli 命令
   • 准确报告 HF 显示的推荐量化版本
4. 将相同的 ?local-app=llama.cpp URL 作为页面文本或 HTML 读取，并提取 Hardware compatibility 部分：
   • 优先使用其确切的量化标签和大小，而非通用表格
   • 保留特定仓库的标签，如 UD-Q4_K_M 或 IQ4_NL_XL
   • 如果在获取的页面源码中看不到该部分，请说明并退回到树 API 加通用量化指导
5. 查询树 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
   • 使用 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 投影仪文件和 BF16/ 分片文件分开
   • 仅将 https://huggingface.co/<repo>/tree/main 作为人工备选方案
6. 如果本地应用代码片段在文本中不可见，则根据仓库和所选量化重建命令：
   • 简写量化选择：llama-server -hf <repo>:<QUANT>
   • 精确文件回退：llama-server --hf-repo <repo> --hf-file <filename.gguf>
7. 仅当仓库尚未公开 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 API 显示自定义文件命名或确切的 HF 代码片段缺失时使用此方法。

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" ...)。

基本生成

from llama_cpp import Llama

llm = Llama(
    model_path="./model-q4_k_m.gguf",
    n_ctx=4096,
    n_gpu_layers=35,     # 0 用于 CPU, 99 用于完全卸载
    n_threads=8,
)

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

聊天 + 流式

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

嵌入

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)}")

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

首先使用 Hub 页面，其次使用通用启发式方法。

• 优先使用 HF 为用户硬件配置标记为兼容的确切量化版本。
• 对于一般聊天，从 Q4_K_M 开始。
• 对于代码或技术工作，如果内存允许，优先选择 Q5_K_M 或 Q6_K。
• 对于非常紧张的 RAM 预算，仅在用户明确优先考虑适配性而非质量时，才考虑 Q3_K_M、IQ 变体或 Q2 变体。
• 对于多模态仓库，请单独提及 mmproj-*.gguf。投影仪不是主模型文件。
• 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。

从仓库中提取可用的 GGUF

当用户询问存在哪些 GGUF 时，返回：

• 文件名
• 文件大小
• 量化标签
• 是主模型还是辅助投影仪

除非请求，否则忽略：

• README
• BF16 分片文件
• imatrix 二进制大对象或校准文件

使用树 API 执行此步骤：

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

对于像 unsloth/Qwen3.6-35B-A3B-GGUF 这样的仓库，本地应用页面可能会显示量化标签，如 UD-Q4_K_M、UD-Q5_K_M、UD-Q6_K 和 Q8_0，而树 API 会公开确切的文件路径，如 Qwen3.6-35B-A3B-UD-Q4_K_M.gguf 和 Qwen3.6-35B-A3B-Q8_0.gguf 及其字节大小。使用树 API 将量化标签转换为确切的文件名。

搜索模式

直接使用这些 URL 形式：

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，优先选择紧凑的结构化结果，例如：

仓库: <repo>
HF 推荐量化版本: <label> (<size>)
llama-server: <command>
其他 GGUF:
- <filename> - <size>
- <filename> - <size>
来源 URL:
- <local-app URL>
- <tree API URL>

参考文献

• hub-discovery.md - 仅限 URL 的 Hugging Face 工作流、搜索模式、GGUF 提取和命令重建
• 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 卸载启发式方法、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 本地智能体文档: https://huggingface.co/docs/hub/agents-local
• 示例本地应用页面: https://huggingface.co/unsloth/Qwen3.6-35B-A3B-GGUF?local-app=llama.cpp
• 示例树 API: https://huggingface.co/api/models/unsloth/Qwen3.6-35B-A3B-GGUF/tree/main?recursive=true
• 示例 llama.cpp 搜索: https://huggingface.co/models?num_parameters=min:0,max:24B&apps=llama.cpp&sort=trending
• 许可证: MIT