在「本地与开源」类工具里，LMDeploy 的定位是：上海人工智能实验室开源的模型压缩与部署工具。

这篇写给咨询顾问：围绕行业研究、访谈整理和方案文档这几类日常工作，说明它能帮上什么忙、怎么用、哪些地方必须自己把关。

咨询顾问的三个高频用法

1. 行业研究

可直接复制到 LMDeploy 里修改：

围绕【行业】整理一份行业概览框架：市场结构、主要参与者类型、价值链、关键驱动因素，所有数据点标注需要补充的来源。

把关：数据点都标注了来源需求。

2. 访谈整理

在 LMDeploy 中可以这样提：

把这几份访谈记录整理成洞察：共性观点、分歧观点、意外发现，每条附访谈对象编号和原话摘录。

把关：洞察可追溯到访谈。

3. 方案文档

提示词示例：

根据以上分析搭建方案 PPT 的故事线：每页一句标题结论，共 12 页，标出需要数据支撑的页面。

把关：每页标题是结论句。

也可以试试：小规模微调

这是「本地与开源」类工具的通用任务，咨询顾问同样用得上。

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。

边界与合规

客户机密遵守保密协议，研究结论注明来源。

  • 产出由咨询顾问本人负责，AI 只是草稿和辅助。
  • 对外内容发布前至少看一遍。
  • 如单位有规定的工具清单，优先在清单内选择；LMDeploy 的同类还有 vLLM、SGLang。

一周试用建议

选一个最常做的任务连续用 5 个工作日，记录每次节省的时间和需要修改的地方，再决定是否把 LMDeploy 纳入日常流程。

补充练习

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。

模型对比测试

适用情况：手头有两到三个候选开源模型时。

用 20 个真实业务问题测试候选模型，记录回答质量、速度和资源占用，选出最适合的模型。

检查点：测试问题相同。

本地部署试跑

准备材料：一台有独立显卡或大内存的电脑。

按官方文档在本机部署，选择一个适合显存的模型尺寸，运行一个简单的对话或推理测试，记录显存占用和生成速度。

交付前确认：记录了资源占用。

常见问题：生成速度很慢

检查是否使用了 GPU 加速，减少上下文长度。

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：升级后不兼容

固定版本号，升级前在测试环境验证。

概念补充：推理框架

负责加载模型并高效生成结果的软件。

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：软件工程师

软件工程师可以用 LMDeploy 处理代码阅读与重构、测试与排错等工作。需要注意：不要把密钥和未开源代码上传到未授权工具，合并前审阅每处改动。

使用提醒

所有示例输出均为示意，不代表真实统计或效果承诺；请以自己的测试结果为准。

涉及个人信息、商业机密或受监管数据时，先确认 LMDeploy 的数据处理条款，再决定能否使用。

延伸阅读