Windows环境本地大模型工具链安装教程：Ollama + llama.cpp + LLaMA Factory
Windows 11 本地大模型工具链终极教程：Ollama + llama.cpp + LLaMA Factory
本教程将指导你在 Windows 11 系统上，将 Ollama、llama.cpp 和 LLaMA Factory 三个工具统一安装到 E 盘，并实现 GPU 加速、数据集配置和一键启动。所有步骤均已实际验证，适用于 RTX 5080 等现代显卡。
📁 1. 统一文件夹结构（推荐）
在 E 盘 创建父文件夹 LLM，用于集中管理所有相关文件。子文件夹规划如下：
text
E:\LLM\ ├── Ollama\ # Ollama 程序安装目录 ├── OllamaModels\ # Ollama 下载的模型存放目录 ├── llama.cpp\ # llama.cpp 源码（git 克隆） ├── LLaMA-Factory\ # LLaMA Factory 源码（git 克隆） ├── LLaMAWork\ # 个人工作区（数据集、配置等） │ └── datasets\ # 自定义数据集目录 └── models\ # 手动存放的 GGUF 模型文件（可选） ⚙️ 2. 安装 Ollama 并指定存储位置
2.1 下载安装包
访问 Ollama 官网，下载 OllamaSetup.exe。
2.2 自定义安装路径
以管理员身份打开命令提示符，进入安装包所在目录，执行：
cmd
OllamaSetup.exe /DIR="E:\LLM\Ollama" 2.3 设置模型存放路径
通过系统环境变量指定模型下载位置：
- 打开“系统属性” → “高级” → “环境变量”。
- 在“系统变量”中点击“新建”，变量名
OLLAMA_MODELS，变量值E:\LLM\OllamaModels。 - 确定保存，并重启电脑或重启 Ollama 服务。
2.4 验证安装
打开新命令行，输入 ollama -v 查看版本。拉取一个小模型测试：
cmd
ollama run deepseek-r1:1.5b 模型应下载到 E:\LLM\OllamaModels 中。
🏗️ 3. 编译 GPU 版 llama.cpp（支持 CUDA）
3.1 安装编译工具
- 安装 Visual Studio 2022（社区版），勾选“使用 C++ 的桌面开发”工作负载。
- 安装 CMake，并确保添加到系统 PATH。
3.2 下载源码
cmd
cd /d E:\LLM git clone https://github.com/ggerganov/llama.cpp.git 3.3 编译（启用 CUDA 支持）
cmd
cd llama.cpp mkdir build cd build cmake .. -G "Visual Studio 17 2022" -A x64 -DGGML_CUDA=ON cmake --build . --config Release 编译成功后，可执行文件位于 build\bin\Release\。你可以将这些 .exe 文件复制到 E:\LLM\llama.cpp\ 根目录，方便调用。
3.4 验证 GPU 支持
运行 llama-cli.exe --help，查看是否有 -ngl N（GPU 层数）参数。若有，则支持 GPU。
🐍 4. 安装 LLaMA Factory（基于 Python 3.11）
4.1 安装 Miniconda
- 从 Miniconda 官网 下载 Windows 安装包。
- 安装时勾选“Add Miniconda3 to my PATH environment variable”。
- 安装路径建议使用默认（例如
D:\WorkApp\Python\miniconda3）。
4.2 接受 Anaconda 服务条款（必须执行）
在命令提示符中依次执行以下三条命令：
cmd
conda tos accept --override-channels --channel https://repo.anaconda.com/pkgs/main conda tos accept --override-channels --channel https://repo.anaconda.com/pkgs/r conda tos accept --override-channels --channel https://repo.anaconda.com/pkgs/msys2 4.3 创建 Python 3.11 虚拟环境并激活
cmd
conda create -n llamafactory python=3.11 -y conda activate llamafactory 注意：LLaMA Factory 要求 Python ≥ 3.11，请勿使用 3.10 或更低版本。
4.4 安装 PyTorch（RTX 50 系列显卡需使用特定版本）
cmd
pip install torch==2.6.0 torchvision==0.21.0 --index-url https://download.pytorch.org/whl/cu124 如果遇到兼容性警告，可改用 nightly 版本：
pip install --pre torch torchvision --index-url https://download.pytorch.org/whl/nightly/cu124 验证 GPU 可用性：
python
python -c "import torch; print(torch.cuda.is_available())" 若输出 True，则 PyTorch 可识别 GPU。
4.5 获取 LLaMA Factory 源码
cmd
cd /d E:\LLM git clone https://github.com/hiyouga/LLaMA-Factory.git 4.6 安装 LLaMA Factory（开发模式）
确保虚拟环境已激活，进入源码目录并安装：
cmd
cd LLaMA-Factory pip install -e .[torch,metrics] 等待安装完成。测试安装：
cmd
python -c "import llamafactory; print('OK')" 若输出 OK，则安装正确。
🧪 5. 配置数据集（WebUI 中显示）
5.1 准备数据集文件
假设你有一个 Alpaca 格式的数据集 my_data.json，内容如下：
json
[ {"instruction": "计算 2+2", "input": "", "output": "4"}, {"instruction": "解释机器学习", "input": "", "output": "机器学习是..."} ] 5.2 创建 dataset_info.json
在 E:\LLM\LLaMAWork\datasets 目录下创建 dataset_info.json，内容如下：
json
{ "my_dataset": { "file_name": "my_data.json", "formatting": "alpaca", "columns": { "prompt": "instruction", "query": "input", "response": "output" } } } 5.3 在 WebUI 中使用
- 启动 WebUI（见下一节）。
- 在“数据路径”输入框中填写
E:\LLM\LLaMAWork\datasets，然后点击刷新按钮。 - 下拉列表中应出现
my_dataset，选中即可。
提示：也可以将数据集直接放入E:\LLM\LLaMA-Factory\data目录，并在该目录下的dataset_info.json中添加条目，这样路径保持默认。
🚀 6. 一键启动脚本（终极版）
由于虚拟环境中的 llamafactory-cli 可能因入口点问题不可用，推荐使用 绝对路径调用 Python 模块 的方式启动，稳定可靠。
6.1 确定虚拟环境 Python 路径
激活环境后运行：
cmd
conda activate llamafactory where python 记下输出，例如 D:\WorkApp\Python\miniconda3\envs\llamafactory\python.exe。
6.2 创建批处理脚本
在桌面新建文本文件，改名为 启动_LLaMA_Factory.bat，用记事本编辑，内容如下（请替换路径）：
batch
@echo off title LLaMA Factory WebUI REM 虚拟环境的 Python 解释器绝对路径 set VENV_PYTHON=D:\WorkApp\Python\miniconda3\envs\llamafactory\python.exe REM LLaMA Factory 源码目录 set SRC=E:\LLM\LLaMA-Factory cd /d %SRC% "%VENV_PYTHON%" -m llamafactory.cli webui --server-port 7861 pause 6.3 运行
双击脚本，等待服务器启动，然后浏览器访问 http://localhost:7861 即可使用 WebUI 进行模型微调。
❓ 7. 常见问题及解决方法
7.1 conda 命令找不到
- 确保安装 Miniconda 时勾选了“Add to PATH”。
- 若未勾选，手动将
D:\WorkApp\Python\miniconda3\Scripts添加到系统 PATH。
7.2 conda 提示“Terms of Service have not been accepted”
- 执行第 4.2 节的三条
conda tos accept命令。
7.3 虚拟环境中运行 llamafactory-cli 找不到命令
- 可能入口点未注册，改用
python -m llamafactory.cli方式（已集成到一键脚本中）。 - 确保虚拟环境中已正确安装 LLaMA Factory（执行
pip install -e .[torch,metrics]）。
7.4 安装时提示“requires a different Python: 3.10.20 not in ‘>=3.11.0’”
- 说明你的虚拟环境 Python 版本过低，请按第 4.3 节重新创建 Python 3.11 环境。
7.5 WebUI 中数据集不显示
- 检查
dataset_info.json是否存在于你指定的“数据路径”目录中。 - 点击刷新按钮。
- 确保数据集文件格式正确（JSON 或 JSONL），且
file_name路径正确（可使用绝对路径）。 - 查看控制台（运行脚本的窗口）是否有错误信息。
7.6 base 环境能运行但虚拟环境不能
- 说明 LLaMA Factory 误安装在 base 环境。解决方案：
- 在虚拟环境中重新安装（第 4.6 节）。
- 使用一键启动脚本，直接指定虚拟环境 Python。
- 可选：清理 base 环境中的残留（见第 8 节）。
🧹 8. 清理 base 环境中的残留（可选）
如果你在 base 环境中也安装过 LLaMA Factory，可以安全卸载：
cmd
conda activate base pip uninstall llamafactory -y 然后手动删除 C:\Users\你的用户名\miniconda3\Scripts\llamafactory-cli.exe 等残留文件（如果有）。注意：不要随意卸载 base 环境中的其他包，以免影响 conda 自身功能。
✅ 9. 验证 GPU 是否正常工作
9.1 查看 llama.cpp 日志
运行 llama-server.exe -m model.gguf -ngl 99 时，控制台输出：
text
load_tensors: offloading 27 repeating layers to GPU load_tensors: offloaded 29/29 layers to GPU 表示 GPU 已启用。
9.2 使用 nvidia-smi 监控
打开另一个命令行窗口，运行：
cmd
持续监控（每秒刷新一次） nvidia-smi -l 1 或者使用nvitop命令监控
安装：pip install nvitop 运行：nvitop 在推理过程中，观察 GPU-Util 和显存占用是否上升。
📝 10. 总结
通过本教程，你已经在 E 盘建立了一个整洁、高效的本地大模型环境：
- Ollama：快速体验流行模型。
- llama.cpp：高性能推理 GGUF 模型，GPU 加速。
- LLaMA Factory：图形化微调模型，支持自定义数据集。
一键启动脚本让你无需记忆命令，双击即可启动 WebUI。所有工具均可独立更新，互不干扰。
