LMDeploy 怎么和其他工具组合：一条可落地的工作流
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。
单独用一个工具往往只解决一段问题，这篇讲怎么把它和上下游工具串起来。
推荐组合：LMDeploy + Lindy
Lindy 的定位是：用自然语言搭建业务自动化 AI 助手的平台。两者分工可以是：LMDeploy 负责「本地部署试跑」这一步，Lindy 负责把前后步骤串成自动化流程。
工作流步骤
- 明确交付物和验收标准，例如：记录了资源占用。
- 准备输入：一台有独立显卡或大内存的电脑，先去掉敏感信息。
- 在 LMDeploy 中执行核心步骤（提示词见下文）
- 把结果交给 Lindy 做下一步处理，或从 Lindy 取得所需材料。
- 人工检查关键事实与格式，记录发现的问题。
- 把这次用到的提示词和设置保存为模板，下次复用。
本地部署试跑
输入：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。
验收标准：记录了资源占用。
交接时最容易出问题的地方
- 格式不兼容：两边导入导出的格式提前测试一次。
- 信息丢失：每次交接附上来源和版本号。
- 责任不清：约定哪一步由谁做最终确认。
- 权限分散：两边的账号和分享范围分别检查。
如果暂时不想引入第二个工具，也可以先用 vLLM 等同类产品替代其中一环，跑通流程后再决定。
补充练习
团队共享服务
适用情况：手头有一台团队共用的服务器时。
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。
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。
交付前确认：超时与并发有限制。
小规模微调
准备材料：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。
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。
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。
概念补充：开放权重
公开模型参数可下载使用，但许可证条款各不相同。
概念补充：GGUF
llama.cpp 生态常用的模型文件格式。
适合人群：医疗机构行政人员
医疗机构行政人员可以用 LMDeploy 处理文书整理、患者沟通材料等工作。需要注意：AI 不得替代医生诊断，患者信息必须按法规保护。
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。
写在最后
本文基于 LMDeploy 公开的定位与通用用法编写，具体功能、套餐与可用地区以官方页面为准，产品更新后界面和名称可能变化。
文中提示词和示例仅作示意，实际效果取决于你的材料和 LMDeploy 当前版本，重要内容请人工核对后再使用。