本文介绍在 Windows 环境下使用 LLaMA-Factory 进行大模型微调与推理的本地部署流程。主要步骤包括安装 Miniconda 和 Git 工具，创建 Python 虚拟环境，拉取源码，安装 PyTorch 及 LLaMA-Factory 依赖，最后启动 WebUI 界面。文中提供了 CPU 版与 GPU 版的安装命令区别，并包含常见错误排查方案如 DLL 初始化失败、端口占用等问题。通过配置一键启动脚本可优化使用体验，实现离线可用的本地大模型工具链。
相比在线平台，本地部署 LLaMA-Factory 有三大优势：
核心目标：在本地搭建 WebUI 可视化界面、模型推理和数据集微调的完整工具链，最终实现双击启动、浏览器访问的便捷体验。
本地部署需提前安装两个基础工具，用于管理 Python 环境和获取源码，均为免费且轻量化软件。
作用：创建独立的 Python 虚拟环境，避免不同项目的依赖冲突。
conda --version，若输出 conda 版本号，则安装成功。作用：快速拉取 LLaMA-Factory 源码，后续更新也更便捷。若不想安装 Git，可直接下载源码压缩包。
git --version，输出 git version 即成功。按环境准备、源码获取、依赖安装、验证启动的逻辑操作，每一步都附命令说明和验证方法。
这是 Windows 环境部署的关键，所有依赖都安装在独立环境中，不会影响电脑其他 Python 程序。
conda create -n llama-env python=3.10 -y
conda activate llama-env
D:\python\miniconda3\Scripts\activate.bat D:\python\miniconda3\envs\llama-env
选择以下一种方式获取源码，推荐 Git 方式（后续更新只需执行 git pull 即可）。
cd /d E:\pc-project\LLaMA
git clone https://github.com/hiyouga/LLaMA-Factory.git
核心依赖分为两部分：PyTorch（深度学习框架）和 LLaMA-Factory 本身及配套工具。按顺序安装，避免依赖解析混乱。
PyTorch 是 LLaMA-Factory 的运行基础，Windows CPU 环境下优先选择 2.1.0 版本（经过实测，该版本无 DLL 冲突问题，且满足功能需求）。
pip install torch==2.1.0 torchvision==0.16.0 --index-url https://download.pytorch.org/whl/cpu
参数说明：--index-url 指定从 PyTorch 官方 CPU 源下载，避免下载到 GPU 版本导致冲突；
若你有 NVIDIA 显卡（支持 CUDA 11.8 及以上），可替换为 GPU 版命令，推理和微调速度会大幅提升：
pip install torch==2.1.0 torchvision==0.16.0 --index-url https://download.pytorch.org/whl/cu118
cd /d E:\pc-project\LLaMA\LLaMA-Factory
pip install llamafactory[torch,metrics] -i https://pypi.tuna.tsinghua.edu.cn/simple
安装完成后，通过简单命令验证核心依赖是否正常加载，这是避免后续启动失败的关键一步。
python -c "import torch; import transformers; import llamafactory; print('PyTorch 版本:', torch.__version__); print('LLaMA-Factory 版本:', llamafactory.__version__)"
✅ 验证成功：若输出类似以下内容，且无报错，说明依赖安装正常：
PyTorch 版本：2.1.0+cpu
LLaMA-Factory 版本：0.9.3
❌ 常见问题：若提示 ModuleNotFoundError: No module named xxx，说明该依赖未安装成功，重新执行步骤 3 的安装命令即可。
这是最后一步，启动后将通过浏览器访问可视化界面，完成本地部署。
llamafactory-cli webui --server-port 7861
每次启动都输入命令较繁琐，可创建批处理脚本，双击即可完成激活环境、启动 WebUI 全流程。
@echo off
echo ============== 正在激活虚拟环境 ==============
call D:\python\miniconda3\Scripts\activate.bat D:\python\miniconda3\envs\llama-env
echo ============== 正在切换到源码目录 ==============
cd /d E:\pc-project\LLaMA\LLaMA-Factory
echo ============== 正在启动 LLaMA-Factory ==============
llamafactory-cli webui --server-port 7861
echo ============== 启动完成，按任意键关闭 ==============
pause
部署过程中可能遇到各类问题，以下是高频问题及解决方案，覆盖 90% 以上的启动失败场景。
根源：虚拟环境未激活，或 LLaMA-Factory 未安装成功。
解决方案：
pip install --force-reinstall llamafactory -i 清华源。根源：PyTorch 版本与 Windows 系统 VC++运行库不兼容。
解决方案：
根源：端口被占用，或 WebUI 未完成启动。
解决方案：
llamafactory-cli webui --server-port 7862，访问 http://localhost:7862；根源：虚拟环境未创建成功，或 conda 缓存异常。
解决方案：重新创建虚拟环境（步骤 1 的命令），确保执行过程无报错。
部署完成后，可通过 WebUI 快速实现核心功能：
Windows 环境下 LLaMA-Factory 的本地部署，核心是虚拟环境隔离、稳定版本选择和依赖自动解析。只要遵循本文步骤，避开未激活环境、版本不兼容、端口冲突这三大坑，即使是零基础也能顺利完成搭建。
部署完成后，你将拥有一个本地的大模型工具链，无论是用于学术研究、项目开发还是兴趣探索，都能实现高效、安全的大模型开发。若在使用过程中遇到新问题，可查看 LLaMA-Factory 的 官方文档。
微信公众号「极客日志」，在微信中扫描左侧二维码关注。展示文案：极客日志 zeeklog
使用加密算法（如AES、TripleDES、Rabbit或RC4）加密和解密文本明文。 在线工具，加密/解密文本在线工具，online
生成新的随机RSA私钥和公钥pem证书。 在线工具，RSA密钥对生成器在线工具，online
基于 Mermaid.js 实时预览流程图、时序图等图表，支持源码编辑与即时渲染。 在线工具，Mermaid 预览与可视化编辑在线工具，online
解析常见 curl 参数并生成 fetch、axios、PHP curl 或 Python requests 示例代码。 在线工具，curl 转代码在线工具，online
将字符串编码和解码为其 Base64 格式表示形式即可。 在线工具，Base64 字符串编码/解码在线工具，online
将字符串、文件或图像转换为其 Base64 表示形式。 在线工具，Base64 文件转换器在线工具，online