MLC LLM 与自托管：数据不出域时怎么选
把大模型编译部署到手机、浏览器等设备的开源项目——这是 MLC LLM 最主要的用途，也是本文讨论的前提。
当数据不能离开公司或个人设备时，就需要考虑自托管或开源路线。
先判断：它能不能自托管
它本身是开源项目，可以自托管：数据留在自己的机器上，但升级、安全补丁与故障排查都要团队自己承担。
决策要点
- 数据敏感级别：只有内部公开信息时，云端服务通常更省事。
- 团队是否有人负责运维和安全更新。
- 硬件投入：本地运行模型需要显卡或较大的内存。
- 效果差距：用自己的任务实测，不要只看榜单。
可以评估的开源方向包括：GLM 开源模型、Qwen 开源模型、Label Studio。它们与 MLC LLM 的能力并不完全等同，适合用来承接对数据要求最高的那部分任务。
用同一个任务做对比
本地部署试跑
适用情况：手头有一台有独立显卡或大内存的电脑时。
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。
检查点：记录了资源占用。
自托管上线清单
- 固定版本号并记录配置。
- 只在内网暴露服务或加上认证。
- 设置日志与资源监控。
- 订阅仓库的版本发布与安全公告。
- 准备回滚方案。
延伸练习
私有知识问答
适用情况：手头有一批不能上传云端的内部文档时。
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。
交付前确认：断网可用。
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。
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。
验收标准：开启了访问认证。
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。
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。
概念补充：量化
降低模型参数精度以减少显存占用，可能影响效果。
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：咨询顾问
咨询顾问可以用 MLC LLM 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。
适合人群：法务与律师助理
法务与律师助理可以用 MLC LLM 处理合同初审、法规检索等工作。需要注意：AI 输出不构成法律意见，条款和法规必须由执业人员核实。
注意事项
文中提示词和示例仅作示意，实际效果取决于你的材料和 MLC LLM 当前版本，重要内容请人工核对后再使用。
本文基于 MLC LLM 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。