1. 为什么你需要关注 llama.cpp：让大模型在普通电脑上跑起来
AI 大模型往往需要数十 GB 显存，运行 7B 参数模型曾需昂贵专业显卡。如今，llama.cpp 让大模型能在消费级硬件上高效运行。这是一个用 C/C++ 编写的开源项目，核心目标是以最高效的方式在 CPU 上运行大型语言模型。它更像一个专注于资源优化的推理引擎。
本文介绍从原始模型获取到搭建 API 服务的完整流程，帮助开发者快速上手本地体验或低成本部署私有 AI 应用。
2. 第一步：准备你的 llama.cpp 工作环境
部署的第一步是搭建 llama.cpp 工具链。过程简单，但需注意细节以避免后续问题。
2.1 获取与编译 llama.cpp
源码托管于 GitHub。在终端（Linux/macOS Terminal 或 Windows PowerShell/WSL）中执行以下命令：
git clone https://github.com/ggerganov/llama.cpp
cd llama.cpp
进入项目目录后运行 make 编译。Makefile 会自动检测硬件架构（如 AVX2、AVX512）并优化。编译完成后生成关键可执行文件：
main：核心推理程序，用于加载模型并与模型交互。quantize：量化工具，负责将高精度模型转换为低精度格式。server：HTTP API 服务端，可将模型包装为 Web 服务。
在普通 Linux 服务器或 Mac 上，编译通常需一两分钟。若失败，通常是缺少基础构建工具（如 gcc、make），按提示安装即可。
2.2 准备你的第一个模型
llama.cpp 支持多种格式，最推荐 GGUF。这是社区主导的专用格式，专为高效推理设计。
模型可从 Hugging Face 获取。在 Models 网站搜索时添加'GGUF'关键词过滤。例如搜索 "Llama-2-7b-chat GGUF"。
找到合适的模型仓库后，建议直接在网页下载 GGUF 模型文件，避免使用 git clone 克隆整个仓库以防 Git LFS 导致文件不完整或报错。在文件列表中找到类似 llama-2-7b-chat.Q4_K_M.gguf 的文件直接下载。
下载后的 .gguf 文件建议放在项目根目录下的 models 文件夹中。手动创建该文件夹并放入模型文件。
