迁移到 KoboldCpp 前要准备什么
先说清楚它是什么：KoboldCpp 属于「本地与开源」方向的开源项目，基于 llama.cpp 的一体化本地运行工具，常用于写作与角色扮演。
换工具的成本常被低估，这篇按步骤列出迁移前后要做的事。
以从 Ollama 迁移为例
迁移不一定是「全面替换」。很多团队会先把一部分任务交给 KoboldCpp，与 Ollama 并行一段时间再决定。
迁移步骤
- 盘点资产：现在用的提示词、模板、知识库、自动化流程和历史产出。
- 确认导出方式：哪些能导出、格式是什么、哪些只能手工迁移。
- 挑 3 个典型任务（如「私有知识问答」「模型对比测试」）在两边同时做。
- 按同一张评分表比较结果。
- 迁移账号与权限，通知团队新的使用规范。
- 保留旧工具一段时间的只读访问，确认无遗漏后再停用。
对比测试用的任务
私有知识问答
输入：一批不能上传云端的内部文档。
在本地搭建问答：本地模型负责回答，文档向量化存储在本机，回答时注明出处段落，断网情况下验证仍可使用。
验收标准：断网可用。
不建议迁移的情况
- 核心流程依赖 Ollama 特有的功能或集成。
- 团队刚刚完成培训，切换成本过高。
- 新工具的数据处理条款不满足要求。
延伸练习
接入现有应用
适用情况：手头有一个已有的业务系统时。
通过兼容 OpenAI 格式的接口把本地服务接入现有系统，设置超时和并发上限，先在测试环境跑通。
检查点：超时与并发有限制。
小规模微调
输入：几百条高质量问答数据。
用这批数据做一次 LoRA 微调：划分训练集和验证集，记录训练参数，微调前后用同一批问题对比效果。
检查点：有前后对比。
团队共享服务
输入：一台团队共用的服务器。
把服务部署为团队共享：设置访问认证、按用户记录调用日志、限制单用户并发，并写一份使用说明。
交付前确认：开启了访问认证。
常见问题：中文效果不理想
优先选择中文训练数据充足的模型。
常见问题：显存不足无法加载
换用更小的模型或更低的量化等级，或启用 CPU 卸载。
常见问题：服务对外暴露有风险
只监听内网地址，加认证和反向代理。
概念补充：GGUF
llama.cpp 生态常用的模型文件格式。
概念补充：许可证
规定能否商用、是否需署名等条件，部署前必须阅读。
适合人群：数据分析师
数据分析师可以用 KoboldCpp 处理取数与 SQL、清洗与可视化等工作。需要注意：确认指标口径，敏感数据脱敏后再交给 AI 处理。
适合人群：游戏开发者
游戏开发者可以用 KoboldCpp 处理原型与素材、NPC 对话与文案等工作。需要注意：关注生成素材的授权和平台对 AI 内容的披露要求。
适合人群：咨询顾问
咨询顾问可以用 KoboldCpp 处理行业研究、访谈整理等工作。需要注意：客户机密遵守保密协议，研究结论注明来源。
写在最后
涉及个人信息、商业机密或受监管数据时，先确认 KoboldCpp 的数据处理条款，再决定能否使用。
文中提示词和示例仅作示意，实际效果取决于你的材料和 KoboldCpp 当前版本，重要内容请人工核对后再使用。