最近，我们探讨了如何利用Ollama平台在本地部署LLM，但是它所支持的模型种类有限。对于那些渴望接触更广泛的模型的用户来说，Hugging Face提供了一个理想的解决方案。

Hugging Face不仅是一个模型和数据集的托管共享社区，更像是机器学习领域的GitHub，专注于LLM等资源的分享。通过使用LM Studio这样的工具，用户可以轻松地在本地下载、托管并运用Hugging Face上的模型，极大地简化了整个过程。

本文将指导你如何使用LM Studio在本地运行Meta Llama 3——迄今为止最强大的开源LLM之一，并展示如何通过Semantic Kernel与之交互。

运行 LLM 服务

首先，你需要从LM Studio官网（https://lmstudio.ai/）下载并安装该软件。启动后，你可以在首页搜索和下载 Hugging Face 上的模型。例如，选择Llama 3 – 8B Instruct模型，只需点击下载，即可将其保存至本地。

如果你遇到网络问题无法直接从Hugging Face下载模型，不必担心。你可以通过修改LM Studio的配置文件C:\Users\你的用户名\.cache\lm-studio\downloads.json，将下载链接替换为镜像站点，之后重启LM Studio即可顺利下载。

下载完成后，点击界面左侧的Local Server图标，选择你刚下载的模型，并启动服务器。

值得注意的是，LM Studio提供的本地服务器公开的REST API与OpenAI API兼容。这意味着，你之前编写的与OpenAI交互的代码同样适用于LM Studio托管的模型。

与 LLM 交互

Semantic Kernel支持OpenAI API，因此理论上也能与LM Studio的开源LLM协同工作。尽管在初始化Semantic Kernel时无法指定API端点，但你可以通过一个小技巧——定制HttpClient——来重定向所有HTTP请求至本地服务器。

public class MyHttpMessageHandler : HttpClientHandler

{

protected override Task SendAsync(HttpRequestMessage request, CancellationToken cancellationToken)

{

if (request.RequestUri != && request.RequestUri.Host.Equals(“api.openai.com”

, StringComparison.OrdinalIgnoreCase))

{

request.RequestUri = new Uri($“http://localhost:1234{request.RequestUri.PathAndQuery}”

);

}

return

base.SendAsync(request, cancellationToken);

}

HttpClient client = new HttpClient(new MyHttpMessageHandler());

var kernel = Kernel.CreateBuilder()

.AddOpenAIChatCompletion(model, apiKey, httpClient: client)

.Build();

在Semantic Kernel初始化时，你可以随意提供模型名称和API密钥，因为LM Studio服务器会忽略这些信息，并始终将请求路由至当前托管的模型。

现在，你可以使用标准的Semantic Kernel代码来执行提示，享受与LLM交互的便捷。

string prompt = “你是谁？”

;

var response = await kernel.InvokePromptAsync(prompt);

Console.WriteLine(response.GetValue());

通过LM Studio和Semantic Kernel的结合，我们不仅能够在本地环境中运行强大的LLM，还能享受到OpenAI API标准带来的便利。