🛠️ AI 提效工具栈

自动化 Agent、本地大模型部署（Ollama / vLLM）、API 接入与二次开发。

这个方向在讲什么

模型本身不是终点，能不能便宜、稳定、可控地把模型跑起来才是。这个方向关注从本地部署到自动化串联的整条工具链。

涉及的核心工具

类别	代表工具
本地推理	Ollama、LM Studio、llama.cpp
高吞吐部署	vLLM
工作流 / Agent 编排	Dify、n8n
模型接入	OpenAI / Anthropic 等官方 API、OpenRouter 等聚合服务

关键概念

• 量化：GGUF / AWQ / GPTQ 等格式，直接决定显存占用与推理速度。
• 显存与吞吐的权衡：上下文长度、并发数、批大小三者互相挤压。
• 推理服务化：把模型封装成 OpenAI 兼容接口，应用侧统一调用。
• Token 成本：输入 / 输出计费差异，缓存与精简上下文的收益。
• 工具调用（Function Calling / MCP）：让模型能真正操作外部系统。
• 私有化部署：数据不出内网的前提条件与代价。

推荐学习路径

1. 本地先跑通一个模型，感受参数量与速度的关系。
2. 学会按显存选模型与量化档位。
3. 把模型封装成 API，接入自己的脚本或应用。
4. 用工作流平台把重复操作串成自动化。
5. 补上工具调用 / MCP，让 Agent 真正「能干活」。

📄 本方向文章

内容整理中，后续笔记会补充到这里。