大模型私有化部署：清华智谱 GLM 大模型部署与使用指南

最后做一个简单测试，找到文件 ChatGLM3/basic_demo/cli_demo.py，修改其中的模型路径为下载路径：/root/autodl-tmp/chatglm3-6b。

在终端执行命令：python basic_demo/cli_demo.py，即可在终端与大模型进行交流。

本地环境安装

注意需要 13G 显存以上的 Nvidia 显卡，否则无法运行。这里以 Windows 系统为例。

首先本地要有一个 Python 的运行环境，建议使用 Anaconda。

安装成功后，启动'Anaconda Navigator'，在其中点击'Environments'->'base(root)' ->'Open Terminal'，打开终端。

从 Github 下载代码到本地：

cd C:\
git clone https://github.com/THUDM/ChatGLM3
cd ChatGLM3

创建 Python 虚拟环境并激活：

conda create -n chatglm3-6b python=3.10.8 
conda activate chatglm3-6b

将相关模型文件下载到本地。为了防止下载方式失效，提供多种方法：

1. 下载 AutoDL 用户分享的模型，执行下边的命令，它会下载到 C:\ChatGLM3\THUDM。
2. 从 HuggingFace 的镜像下载。

最后做一个简单测试，执行命令：python basic_demo/cli_demo.py。

如果程序出现 RuntimeError: 'addmm_impl_cpu_' not implemented for 'Half' 错误，首先确定电脑安装了 Nvidia 显卡，然后补充安装相关的 pytorch-cuda 包：

conda install pytorch==2.1.0 torchvision==0.16.0 torchaudio==2.1.0 pytorch-cuda=11.8 -c pytorch -c nvidia
pip install chardet

使用 WebUI 体验

ChatGLM 提供了一个 Web 界面，用户可以直接在这个页面上聊天、使用插件，以及执行 Python 代码。

启动 WebUI 服务

首先修改程序中的模型目录，在下载程序中找到文件 composite_demo/client.py，修改 MODEL_PATH 为你的模型存放地址。

进入 ChatGLM3-6B 程序的根目录，激活 Python 虚拟环境：

cd /root/ChatGLM3
conda activate chatglm3-6b
# conda 如果不行就使用 source activate chatglm3-6b

因为需要执行代码，还要安装 Jupyter 内核：

ipython kernel install --name chatglm3-6b --user

并修改文件 composite_demo/demo_ci.py 中的 IPYKERNEL 的值为设置的值。

最后启动 API 服务器：streamlit run composite_demo/main.py。

如果是在个人电脑上安装的，点击这里的连接就可以在浏览器访问了。

如果是在 AutoDL 上的实例，还需要配置 SSH 隧道来打通本地与 AutoDL 实例的网络，因为 WebUI 使用了 WebSocket，而 AutoDL 开放的外网端口可能不支持 WebSocket。

我们需要类似下边这样的一条指令：

sudo ssh -CNg -L 8501:127.0.0.1:8501 root@<实例 IP> -p <实例端口>

登录成功后，在浏览器地址栏输入 http://127.0.0.1:8501 就可以访问了。

使用 WebUI

这个 WebUI 左边是参数区域，右边是使用区域，有三种使用方式：Chat、Tool 和 Code Interpreter，分别就是聊天、工具或插件、代码解释器。

工具或插件

它会完整的展现出来插件的使用过程。实例代码中提供了两个工具，一个是获取实时天气，另一个是生成随机数。用户还可以修改代码增加自己的工具插件，在 composite_demo/tool_registry.py 这个文件中。

只需要使用 @register_tool 装饰函数即可完成注册。对于工具声明，函数名称即为工具的名称，函数 docstring 即为工具的说明；对于工具的参数，使用 Annotated[typ: type, description: str, required: bool] 标注参数的类型、描述和是否必须。

例如，get_weather 工具的注册如下：

@register_tool
def get_weather(
    city_name: Annotated[str, 'The name of the city to be queried', True],
) -> str:
    """
    Get the weather for `city_name` in the following week
    """
    ...

代码解释器

模型会根据对任务完成情况的理解自动地连续执行多个代码块，直到任务完成。比如让它用 Python 画一个爱心。如果代码执行有错误，模型会自动修正错误，然后继续生成，直到能够正常执行成功。这个能力其实是通过系统提示词和 observation 角色实现的。

使用 API 开发应用

使用大模型 API，我们可以完全自定义自己的交互页面，增加很多有趣的功能，比如提供联网能力。

这里我们使用的是 ChatGLM3-6B 自带的一个 API 示例程序，这个程序中有一个参考 OpenAI 接口规范开发的 API 服务，我们可以直接使用 OpenAI 的客户端进行调用。

启动 API 服务

首先修改程序中的模型目录，在下载程序中找到文件 openai_api_demo/api_server.py，修改 MODEL_PATH 为你的模型存放地址。

进入 ChatGLM3-6B 程序的根目录，激活 Python 虚拟环境：

cd C:\ChatGLM3
conda activate chatglm3-6b

最后启动 API 服务器：python openai_api_demo/api_server.py。

看到 running on http://0.0.0.0 的提示信息就代表启动成功了。

注意这里的端口号，如果你是在 AutoDL 部署的程序，需要将端口号修改为 6006，然后才能通过 AutoDL 提供的'自定义服务'在外网访问。

调用 API 服务

这里还是以 Python 为例，首先使用 pip 安装 OpenAI 的 SDK。

pip install --upgrade openai httpx[socks]

简单聊天程序

from openai import OpenAI

client = OpenAI(api_key='not-need-key', base_url="http://127.0.0.1:6006/v1")
stream = client.chat.completions.create(
    messages=[{
        "role": "system", "content": "你是一名数学老师，从事小学数学教育 30 年，精通设计各种数学考试题"
    }, {
        "role": "user", "content": "请给我出 10 道一年级的计算题。"
    }],
    model='chatglm3-6b',
    max_tokens=1024,
    top_p=0.3,
    presence_penalty=0.2,
    seed=12345,
    response_format={ "type": "json_object" },
    n=1,
    stream=True
)

for chunk in stream:
    msg = chunk.choices[0].delta.content
    if msg is not None:
        print(msg, end='')

使用插件

这里让 ChatGLM 根据用户要求调用天气函数查询实时天气。注意 ChatGLM3-6B 调用函数的方法没有支持最新的 OpenAI API 规范，目前只实现了一半，能通过 tools 传入函数，但是响应消息中命中函数还是使用的 function_call，而不是最新的 tool_calls。

from openai import OpenAI
import json
import requests
import time

# 获取天气的方法
def get_city_weather(param):
    city = json.loads(param)["city"]
    r = requests.get(f"https://wttr.in/{city}?format=j1")
    data = r.json()["current_condition"]
    temperature = data[0]['temp_C']
    humidity = data[0]['humidity']
    text = data[0]['weatherDesc'][0]["value"]
    return "当前天气：" + text + "，温度：" + temperature + "℃，湿度：" + humidity + "%"

# 天气插件的定义
weather_tool = {
    "type": "function",
    "function": {
        "name": "get_city_weather",
        "description": "获取某个城市的天气",
        "parameters": {
            "type": "object",
            "properties": {
                "city": {
                    "type": "string",
                    "description": "城市名称",
                },
            },
            "required": ["city"],
        },
    }
}

# 创建 OpenAI 客户端
client = OpenAI(api_key='no-need-key', base_url="http://127.0.0.1:6006/v1")

# 定义请求 GPT 的通用方法
def create_completion():
    return client.chat.completions.create(
        messages=messages,
        model='chatglm3-6b',
        stream=False,
        tool_choice="auto",
        tools=[weather_tool]
    )

# 我的三个问题
questions = ["请问上海天气怎么样？", "请问广州天气怎么样？", "成都呢？", "北京呢？"]

# 聊天上下文，初始为空
messages = []

print("---GLM 天气插件演示--- ")

# 遍历询问我的问题
for question in questions:  
    # 将问题添加到上下文中
    messages.append({
        "role": "user",
        "content": question,
    })
    print("路人甲：", question)

    # 请求 GPT，并拿到响应
    response_message = create_completion().choices[0].message
    # 把响应添加到聊天上下文中
    messages.append(response_message)
    
    # 根据插件命中情况，执行插件逻辑
    if response_message.function_call is not None:
        function_call = response_message.function_call
        # 追加插件生成的天气内容到聊天上下文
        weather_info = get_city_weather(function_call.arguments)
        messages.append({
            "role": "function",
            "content": weather_info,
            "name": function_call.name
        })
        # 再次发起聊天
        second_chat_completion = create_completion()
        gpt_output = second_chat_completion.choices[0].message.content
        print("GLM: ", gpt_output)
        time.sleep(0.2)
        # 将 GPT 的回答也追加到上下文中
        messages.append({
            "role": "assistant",
            "content": gpt_output,
        })
    else:
        print("GLM: ", response_message.content)

模型量化与优化

为了在资源受限的设备上运行，或者提高推理速度，可以对模型进行量化。ChatGLM3-6B 支持 4-bit 和 8-bit 量化。

4-bit 量化部署

在加载模型时，可以通过指定 load_in_4bit 参数来实现。这能显著降低显存占用，使模型能在更低配置的显卡上运行。

修改 basic_demo/cli_demo.py 或 api_server.py 中的模型加载部分：

model = AutoModel.from_pretrained(
    "./chatglm3-6b",
    trust_remote_code=True,
    load_in_4bit=True  # 启用 4-bit 量化
)

或者在命令行启动脚本时添加参数（取决于具体封装脚本）：

python cli_demo.py --load-in-4bit

量化后的模型加载速度会变慢，但推理时的显存占用会大幅减少。对于消费级显卡（如 RTX 3060 12G），开启 4-bit 量化通常可以流畅运行 ChatGLM3-6B。

总结

本文介绍了 ChatGLM3-6B 大模型的私有化部署流程，涵盖了云端和本地两种环境，以及 WebUI 体验和 API 开发。通过量化优化，可以进一步降低硬件门槛。希望这些经验能帮助开发者快速上手大模型应用开发。