1. 环境准备：从零开始的硬件与软件栈
对于希望在本地运行大模型的用户，llama.cpp 是一个轻量级推理引擎，能将 Hugging Face 上的模型转换为 GGUF 格式文件，然后在本地电脑上——无论是 Mac 的 Apple Silicon 芯片，还是 Windows/Linux 的 CPU 或 NVIDIA GPU——流畅地运行。
本文介绍从环境准备到模型量化、再到跨平台高效推理的完整流程。重点分享在不同硬件（CPU、Apple Metal、NVIDIA CUDA）下的部署差异，以及如何针对单卡和多卡进行性能调优。无需深厚的 C++ 背景或深度学习框架经验即可操作。
在开始动手之前，先理清需要准备的东西。硬件上，主要分为三种情况：纯 CPU、苹果电脑的 Metal（Apple Silicon M 系列芯片），或者带有 NVIDIA 显卡的电脑。软件栈主要围绕 llama.cpp 的编译环境。对于大多数 Linux 和 macOS 用户，系统自带的终端和包管理器（如 apt、brew）就足够了。Windows 用户推荐使用 WSL2（Windows Subsystem for Linux），它能提供一个近乎原生的 Linux 环境。
注意：无论你选择哪种硬件路径，第一步都是确保你的系统有基础的编译工具链。打开终端，输入
gcc --version或clang --version查看，如果没有，就用sudo apt install build-essential（Ubuntu）或xcode-select --install（macOS）来安装。
2. 编译 llama.cpp：针对不同硬件的'定制化'构建
拿到 llama.cpp 的源代码后，需要根据你的硬件环境进行编译，生成最适合你机器的可执行文件。
2.1 获取源代码与基础准备
首先，克隆仓库。打开终端，执行命令：
git clone https://github.com/ggerganov/llama.cpp
cd llama.cpp
这个仓库里包含了所有的源代码和工具。接下来，需要编译工具 make。通常 Linux 系统已经自带，如果没有，用 sudo apt install make 安装。macOS 用户如果安装了 Xcode Command Line Tools，也会包含 make。为了确保万无一失，还需要安装 cmake 和 pkg-config。一条命令搞定：
# Ubuntu/Debian
sudo apt update && sudo apt install build-essential cmake pkg-config
# macOS (使用 Homebrew)
brew install cmake pkg-config
准备工作就绪，现在进入关键环节：针对不同硬件编译。
2.2 CPU 版本编译：最通用的起点
CPU 版本是兼容性最广的，不依赖任何特殊的图形 API，完全依靠中央处理器进行计算。编译命令也最简单：
make
这个命令会调用 Makefile，自动检测系统环境，编译出纯 CPU 版本的可执行文件，比如 main、llama-cli、llama-server 等。编译完成后，可以运行 ./llama-cli -h 查看帮助信息，确认编译成功。对于只是想体验或者硬件没有 GPU 的用户来说，这一步就够了。但 CPU 推理速度相对较慢，尤其是大模型，所以如果你的机器有 GPU，建议继续查看后续内容。
2.3 Metal (Apple Silicon) 版本编译：榨干苹果芯片的性能
如果你用的是搭载 M1、M2、M3 等 Apple Silicon 芯片的 Mac，那么 Metal Performance Shaders (MPS) 是你的性能利器。它允许计算任务直接跑在强大的集成 GPU 上。编译时，需要显式地启用 Metal 支持。
