部署一个自己的大模型，没事的时候玩两下，这可能是很多技术同学想做但又迟迟没下手的事情，没下手的原因很可能是成本太高，近万元的RTX3090显卡，想想都肉疼，又或者官方的部署说明过于简单，安装的时候总是遇到各种奇奇怪怪的问题，难以解决。本文就来分享下我的安装部署经验，包括本地和租用云服务器的方式，以及如何通过API调用大模型开发自己的AI应用，希望能解决一些下不去手的问题。
本次部署使用的的大模型是ChatGLM3-6B，这个大模型是清华智谱研发并开源的高性能中英双语对话语言模型，它凭借创新的GLM（Gated Linear Units with Memory）架构及庞大的60亿参数量，在对话理解与生成能力上表现卓越。
ChatGLM3-6B不仅能够处理复杂的跨语言对话场景，实现流畅的人机互动，还具备函数调用以及代码解释执行的能力。这意味着开发者可以通过API调用，让模型执行特定任务或编写、解析简单的代码片段，从而将应用拓展到更为广泛的开发和智能辅助领域。
ChatGLM3-6B还允许开发者对预训练模型进行定制化微调，让它在某个领域工作的更好，比如代码编写、电商文案编写等。另外开发者还能对模型进行量化，使用较低的数字精度来表示权重，这使得模型可以运行在消费级显卡甚至CPU上。
ChatGLM3-6B的仓库地址：https://github.com/THUDM/ChatGLM3
先看两个比较正常的效果：
能正常调用天气工具，记得上下文，这里点个赞！
再画一个满满的爱心，画的也不错。
再看两个跑疯的效果：
我问你天气，你不好好回答就算了，还反过来问我有啥意义，太爱管闲事。
看来ChatGLM对正六边形的感知有误啊，确实它还不能识别这个图像。
虽然有时不那么如人意，不过整体用起来还是有很多可圈可点的地方，就是提示词要好好写一下，不能太凑合。
这里以AutoDL为例（https://www.autodl.com），AutoDL上的GPU实例价格比较公道，ChatGLM3-6B需要13G以上的显存，可以选择RTX4090、RTX3090、RTX3080*2、A5000等GPU规格。
这里提供两种方法，一是直接使用我已经创建好的镜像，二是自己从基础镜像一步步安装。
使用现有镜像
创建容器实例时镜像选择“社区镜像”，输入 yinghuoai ，选择 ChatGLM3 的最新镜像。
容器实例开机成功后，点击对应实例的 JupyterLab 就能开始使用了。
这个镜像包含三个Notebook，方便我们启动WebUI服务器和API服务器，并进行相关的测试。我将在下文介绍具体的使用方法。
自己手动安装
创建容器实例时我们选择一个基础镜像 Miniconda -> conda3 -> Python 3.10(ubuntu22.04) -> Cuda11.8。
容器实例开机完毕后，点击对应实例的 JupyterLab 进入一个Web管理界面。
在“启动页”这里点击“终端”，进入一个命令窗口。
首先需要设置下网络，用以加速访问Github。这是AutoDL实例才能使用的，本地无效。
然后需要把代码下载到本地，使用Git即可。
然后创建一个Python的虚拟环境，这样方便隔离不同项目对Python环境的不同要求。这里使用 source activate 激活虚拟环境，很多文章中是 conda activate，这和conda的版本有关系，AutoDL中的版本不支持 conda activate。
然后使用 uv 安装依赖的程序包。为什么用uv？因为requirements中很多包的版本要求都是 >=，直接使用pip的时候会安装最新的版本，最新的版本往往和开发者使用的版本不同，这会导致一些兼容问题，所以最好就是 == 的那个版本，这个版本能用，而且一般就是开发者使用的版本。
然后我们还要下载大模型文件，这里从AutoDL的模型库中下载，速度比较快。下边的模型文件是别人分享出来的，我们使用AutoDL提供的一个下载工具进行下载。下载目标目录是/root/autodl-tmp，会自动在这个目录中创建一个名为 智谱 AI GLM 教程 chatglm3-6b 的子目录，并保存这些文件。
最后我们做一个简单的测试，找到这个文件：ChatGLM3/basic_demo/cli_demo.py，修改其中的模型路径为上边的下载路径：/root/autodl-tmp/chatglm3-6b
在终端执行命令：，然后我们就可以在终端与大模型进行交流了。
注意需要13G显存以上的Nvidia显卡，否则跑不起来。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，可以把它理解为一个Python集成环境，通过它我们可以方便的开发Python程序。Anaconda的官方下载地址是：www.anaconda.com/download
这个安装文件比较大，下载时间取决于你的网速，下载成功后按照提示一步步安装就行了。
安装成功后，启动“Anaconda Navigator”，在其中点击“Environments”->“base(root)” ->“Open Terminal”，打开终端。
这是一个命令行工具，我们将主要在这里边通过执行命令安装ChatGLM3-6B。
然后我们还需要从Github上下载代码到本地，推荐使用Git，没有Git的同学可以先去安装一个：https://git-scm.com/。当然直接从Github下载程序包到本地也可以，不方便访问Github的同学也可以使用我整理的程序包，给公众号“萤火遛AI”发消息 ChatGLM3 即可获取。
这里我将程序放到了C盘下的ChatGLM3目录。
使用下边的命令创建一个Python的虚拟环境并激活，这样方便隔离不同项目对Python环境的不同要求。
然后还需要把相关模型文件下载到本地，为了防止下载方式失效，这里提供多种方法：
（1）下载AutoDL用户分享的模型，执行下边的命令，它会下载到 C:ChatGLM3THUDM，速度还可以。
（2）从HuggingFace的镜像下载，地址是：https://hf-mirror.com/THUDM/chatglm3-6b/tree/main
（3）给公众号“萤火遛AI”发消息 ChatGLM3 获取最新下载方式。
最后我们做一个简单的测试，执行命令：，然后我们就可以在终端与大模型进行交流了。
如果程序出现下边的错误：
RuntimeError: “addmm_impl_cpu_” not implemented for ‘Half’
首先确定你的电脑是安装了Nvida显卡的，然后使用下边的命令补充安装相关的pytorch-cuda包。
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，就像使用大多数的大语言模型一样。额外的用户还可以配置一些参数，比如一次生成Token的数量、系统提示词、采样的随机性控制等。
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。
然后进入 ChatGLM3-6B 程序的根目录（根据自己的部署来），激活Python虚拟环境：
因为需要执行代码，我们还要安装 Jupyter 内核：
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： 可知这个WebUI使用的是streamlit框架。
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，还需要再折腾一下。因为这个WebUI使用了WebSocket，但是AutoDL开放的外网端口不支持WebSocket。此时可以通过SSH隧道的方式来打通本地与AutoDL实例的网络。
我们需要类似下边这样的一条指令：
其中的 connect.westb.seetacloud.com 和 10757 需要替换成你自己实例的，在实例列表中复制登录指令。
然后把它随便粘贴到一个地方，就可以得到所需的地址和端口号了：
在个人电脑的终端或者命令行工具执行上边写好的指令，首先需要统一添加主机（输入 yes），然后需要输入主机登录密码，还是从AutoDL的实例列表拷贝。
登录成功后，这个界面会挂起，不会输出任何内容。此时我们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。相关参数我在之前的文章中介绍过，可以参考下：https://juejin.cn/post/#heading-7
聊天就不用说了，我们看下工具或插件的使用。它会完整的展现出来插件的使用过程，用户询问问题，触发大模型调用插件，展现插件返回的内容，大模型整理插件返回的内容并输出给用户。中间的两个过程这里只是为了方便用户了解原理，其实可以在展现大模型返回值时将它们过滤掉。具体的可以修改这个文件中的第144行-198行：composite_demo/demo_tool.py 。
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 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 标注参数的类型、描述和是否必须。例如， 工具的注册如下：
再看看代码解释器的效果，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。
在 composite_demo/demo_ci.py 中可以看到提示词：
当程序执行出错的时候，程序会通过observation角色把错误再发给ChatGLM进行分析，然后ChatGLM会修改代码，再重新输出到程序中，最后使用 Jupyter 内核执行代码。
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，这避免了很多学习成本，降低了使用难度。
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。
然后进入 ChatGLM3-6B 程序的根目录（根据自己的部署来），激活Python虚拟环境：
最后启动API服务器：
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，端口号在openai_api_demo/api_server.py 文件的最末尾。
修改后重启API服务，然后在AutoDL的容器实例列表中点击“自定义服务”，即可获取外网访问地址。
调用API服务
这里还是以Python为例，首先使用pip安装OpenAI的SDK。
我准备了两个简单的应用示例，一个是简单的聊天程序，另一个是在大模型中使用插件的方法。
先看聊天程序，这里让它扮演一个数学老师进行出题，之前我写过一篇文章介绍相关参数的含义，这里就不罗嗦了，需要的请看：https://juejin.cn/post/
下边是程序的执行结果，大模型理解的很正确，并生成了合理的输出。
再看大模型中使用插件的方法，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。相关参数我也在别的文章中做过详细介绍，请参考：https://juejin.cn/post/
执行效果如下：
以上就是本文的主要内容，有兴趣的快去体验下吧。
大模型时代，火爆出圈的LLM大模型让程序员们开始重新评估自己的本领。 “？”“”等问题热议不断。
事实上，
继等巨头公司发布AI产品后，很多中小企业也陆续进场！超高年薪，挖掘AI大模型人才！ 如今大厂老板们，也更倾向于会AI的人，普通程序员，还有应对的机会吗？
与其焦虑……
不如成为「」，毕竟AI时代，谁先尝试，谁就能占得先机！
但是LLM相关的内容很多，现在网上的老课程老教材关于LLM又太少。所以现在小白入门就只能靠自学，学习成本和门槛很高。
基于此，我用做产品的心态来打磨这份大模型教程，深挖痛点并持续修改了近70次后，终于把整个AI大模型的学习门槛，降到了最低！
在这个版本当中：
第一您不需要具备任何算法和数学的基础
第二不要求准备高配置的电脑
第三不必懂Python等任何编程语言
您只需要听我讲，跟着我做即可，为了让学习的道路变得更简单，这份大模型教程已经给大家整理并打包，现在将这份 分享出来：包括等, 😝有需要的小伙伴，可以 扫描下方二维码领取🆓↓↓↓
👉CSDN大礼包🎁：全网最全《LLM大模型入门+进阶学习资源包》免费分享（安全链接，放心点击）👈
AI大模型已经成为了当今科技领域的一大热点，那以下这些大模型书籍就是非常不错的学习资源。
这套包含640份报告的合集，涵盖了大模型的理论研究、技术实现、行业应用等多个方面。无论您是科研人员、工程师，还是对AI大模型感兴趣的爱好者，这套报告合集都将为您提供宝贵的信息和启示。(几乎涵盖所有行业)
四、LLM大模型开源教程（LLaLA/Meta/chatglm/chatgpt）
五、AI产品经理大模型教程
阶段1：AI大模型时代的基础理解
- 目标：了解AI大模型的基本概念、发展历程和核心原理。
- 内容：
- L1.1 人工智能简述与大模型起源
- L1.2 大模型与通用人工智能
- L1.3 GPT模型的发展历程
- L1.4 模型工程
- L1.4.1 知识大模型
- L1.4.2 生产大模型
- L1.4.3 模型工程方法论
- L1.4.4 模型工程实践
- L1.5 GPT应用案例
阶段2：AI大模型API应用开发工程
- 目标：掌握AI大模型API的使用和开发，以及相关的编程技能。
- 内容：
- L2.1 API接口
- L2.1.1 OpenAI API接口
- L2.1.2 Python接口接入
- L2.1.3 BOT工具类框架
- L2.1.4 代码示例
- L2.2 Prompt框架
- L2.3 流水线工程
- L2.4 总结与展望
阶段3：AI大模型应用架构实践
- 目标：深入理解AI大模型的应用架构，并能够进行私有化部署。
- 内容：
- L3.1 Agent模型框架
- L3.2 MetaGPT
- L3.3 ChatGLM
- L3.4 LLAMA
- L3.5 其他大模型介绍
阶段4：AI大模型私有化部署
- 目标：掌握多种AI大模型的私有化部署，包括多模态和特定领域模型。
- 内容：
- L4.1 模型私有化部署概述
- L4.2 模型私有化部署的关键技术
- L4.3 模型私有化部署的实施步骤
- L4.4 模型私有化部署的应用场景
这份 包括等, 😝有需要的小伙伴，可以 扫描下方二维码领取🆓↓↓↓
👉CSDN大礼包🎁：全网最全《LLM大模型入门+进阶学习资源包》免费分享（安全链接，放心点击）👈
发布者：Ai探索者，转载请注明出处：https://javaforall.net/265089.html原文链接：https://javaforall.net
