“大模型最难的AI Infra用Vibe Coding搞定”这个标题我一开始是半信半疑的。做AI Infra做了这么多年GPU排障、显存OOM、推理服务调优、日志捞到半夜哪一件不是硬骨头。结果这两年被Vibe Coding反复“打脸”——曾经最让我头疼的环境编排、启动脚本、参数试错、API对接现在有相当大一部分能交给自然语言驱动的AI编码流程来处理。这篇文章我想认真聊聊AI Infra到底难在哪Vibe Coding凭什么能切入这个领域以及我用它实打实跑通一个本地大模型服务时踩过的坑和总结下来的套路。如果你正准备本地部署大模型、做Agent调用、或者用vLLM/Ollama搭服务这篇文章应该能帮你省下不少时间。1. AI Infra为什么被称为“最难啃的骨头”先说结论大模型算法和微调虽然有门槛但市面上教程多、套路成熟、跑通demo的门槛其实不高。AI Infra的难是难在“资源、性能、稳定、成本”四个维度互相纠缠它不是一个函数能解决的而是一整套系统工程。1.1 显存比黄金还金贵算一笔账就懂了很多人第一次接触本地部署大模型第一个问题就是我的显卡能不能跑然后照着教程跑起来发现OOM或者推理慢到没法用。这背后的核心约束是显存。我做个简化估算以7B模型为例模型权重7B参数FP16精度下大约需要 7 × 10⁹ × 2 字节 14GB 显存。KV Cache推理时要缓存历史token的Key和Value这个随并发和上下文长度增长。比如8K上下文、batch size为1通常要额外预留1-3GB。激活值和临时张量视batch size而定通常预留1-2GB。一张8GB显存的卡裸跑7B FP16基本没戏必须量化。INT4量化后权重降到约4GB左右再留出KV Cache和激活值勉强能跑。这也是为什么你在各种社区看到“8G显卡适合跑什么模型”时大家推荐的都是Qwen2.5-7B-Instruct的Q4_K_M、Llama-3-8B的GGUF INT4这类量化版。这个计算本身不难难的是它还不是静态的。上下文长度一变、并发一上来、batch size一调显存占用就变了。而这些参数之间又是互相影响的——上下文越长KV Cache越大并发越高KV Cache翻倍增长。每次调整都要重新估算手工算很烦更容易出错。1.2 推理优化与服务化是一道组合题模型能跑起来只是第一步。真正让很多团队卡住的是“服务化”——要支持并发请求、控制首token延迟、优化吞吐、管理显存配额。以vLLM为例它之所以成为部署大模型的标配是因为引入了PagedAttention把KV Cache分页管理显存利用率大幅提升。但这也带来了新的问题max_num_seqs、gpu_memory_utilization、max_model_len、tensor_parallel_size这些参数怎么配它们之间是什么关系匹配不好轻则吞吐上不去重则显存溢出崩掉。这些参数不是“照着抄就行”的你得根据硬件、模型、业务场景综合判断。比如gpu_memory_utilization0.85的意思是把85%的显存预留给推理剩下的留给CUDA context和碎片冗余。如果你开的是0.95可能启动就崩因为剩下的空间不够装CUDA上下文。这类经验很多教程不会讲只有踩过坑才知道。1.3 链路太长、工具太杂排查全靠经验AI Infra的另一个难点是链路长。从模型下载、镜像构建、容器启动、端口映射、环境变量配置、API网关转发到前端应用调用任何一个节点出问题都可能导致服务不可用。以前排查问题我得自己翻日志、看进程、查端口、测API、检查GPU状态再结合经验锁定故障点。有一次深夜一个服务启动失败我排查了一小时最后发现只是环境变量里一个冒号写成了中文冒号。这种问题不涉及任何高深算法但就是磨人而且经验不足的人根本不知道从哪查起。这也解释了为什么“AI Infra难”不是难在某个具体环节而是难在整个链路长、工具杂、资料分散、隐含知识多。这恰恰给Vibe Coding留出了一个巨大的发挥空间。2. Vibe Coding到底是什么又凭什么切入AI InfraVibe Coding这个词从2024年开始火核心意思是用自然语言描述意图让AI生成代码再由人来审查、运行、迭代。它重点不是“AI自动写一切”而是把程序员的角色从“手写每一行”变成“提需求、做验收、修方向”。很多人以为Vibe Coding只适合写前端页面、做点小工具我觉得这是低估了它。至少在我自己的实践里AI Infra反而是Vibe Coding收益最明显的领域之一。2.1 Vibe Coding的底层逻辑把“怎么做”外包出去把“做什么”攥在手里传统的编程重心在“怎么做”——你要懂语法、懂API、懂框架、懂部署流程。Vibe Coding把重心拉回“做什么”你想达到什么目标、边界条件是什么、约束有哪些剩下的由大模型帮你生成高度可用的样板代码。在AI Infra里很多工作本质上不是“创新”而是“组合”把官方文档里的启动命令、社区推荐的参数、自己的硬件条件、脚本逻辑拼在一起。这类工作需要细心和耐心但不需要太多灵感。大模型最擅长的恰恰是总结文档、理解参数含义、生成样板代码。比如我之前写一个“自动检测GPU型号并按最优配置启动推理服务”的脚本纯手工写包括查API文档、试参数、处理各种异常分支大概要一两个小时。用Vibe Coding我只需要说清楚“用nvidia-smi检测GPU型号匹配显存大小选择一个合适的vLLM启动参数模板生成shell脚本并带日志输出”生成的代码已经能覆盖九成场景。2.2 AI Infra里有大量“一次性脚本”跪求自动化Infra工程师日常要写很多“一次性脚本”批量拉模型、检查镜像版本、生成配置文件、压测接口、解析日志、格式化输出。这些脚本往往用完就丢但每次都花时间写很浪费。Vibe Coding的精神是“代码可变、可弃、快速迭代”这跟一次性脚本天然契合。以前我纠结脚本写得够不够优雅现在的心态变成让AI写一个能用且可读的版本跑完验证如果不好用就让AI改改到好用为止。反正一两次迭代的成本比从零写低得多。2.3 “文档漂移”是Vibe Coding切入的绝佳场景AI Infra领域发展太快文档经常过时。比如某个部署框架更新版本后旧教程里的参数名变了或者某个模型的推荐量化类型变了。这种“参考文档与实际版本不一致”的问题人工去逐条对照很痛苦但大模型可以快速读取官方文档、比对参数差异、输出一份针对当前环境的配置。我多次让AI生成“基于官方最新文档的部署步骤”实测下来AI给出的命令比一些两年前的热门博客可靠得多——它能自动忽略过时内容优先参考版本匹配的最新文档。这是传统搜索引擎给不了的体验。3. 实操用Vibe Coding把本地大模型从“想法”变成“服务”说得再好不如跑一遍。下面分享一个我最近的实操案例场景是在一台8G显存的单卡机器上部署一个本地Qwen2.5-7B模型提供OpenAI风格API给Agent调用并验证并发能力。整个过程我尽量用Vibe Coding的思路来推进你也可以直接参照。3.1 先定目标与选型这一步不能省Vibe Coding不等于“什么都让AI说了算”。硬件选型和场景分析必须自己完成因为这决定了后面所有Prompt的方向。我当时的场景是给一个小型Agent项目提供本地推理能力需要兼容OpenAI API格式支持2-3个并发请求不至于让Agent调接口老超时。选型逻辑如下方案优点缺点适用场景Ollama安装简单、模型管理方便、默认OpenAI兼容接口性能优化空间有限高并发吞吐不如vLLM个人开发、轻量使用、快速验证vLLM吞吐高、显存利用率高、支持连续批处理启动参数复杂对显存敏感安装有依赖要求生产级服务、多并发、追求性能llama.cpp/server跨平台、CPU/GPU混合推理、量化支持好API功能相对基础生态不如前两者低配置环境、Mac/CPU运行我最终选了Ollama做第一版因为8G显存场景追求吞吐没有意义稳定、快速跑通才重要。但我在Prompt里也要求AI额外生成一份“基于vLLM的备选启动方案”方便后续升级。3.2 把需求拆成“一句话任务”再交给AI生成我第一步的需求是在Ubuntu上完成Ollama部署拉取Qwen2.5-7B-Instruct的Q4_K_M量化版模型并配置好环境变量。这本身不复杂但包含很多小细节OLLAMA_HOST绑定地址、模型下载超时、手动下载GGUF模型文件等。我直接用自然语言给AI下指令在Ubuntu服务器上部署Ollama要求使用官方脚本安装模型选择qwen2.5:7b-instruct-q4_K_M设置OLLAMA_HOST为0.0.0.0端口11434配置OLLAMA_MODELS到独立数据盘写一个systemd服务实现开机自启动最后验证API是否正常返回。AI生成的脚本大概长这样简化版# 安装Ollama curl -fsSL https://ollama.com/install.sh | sh # 配置服务目录 sudo mkdir -p /data/ollama/models sudo chown -R $USER:$USER /data/ollama # 写入systemd服务配置 sudo mkdir -p /etc/systemd/system cat EOF | sudo tee /etc/systemd/system/ollama.service [Unit] DescriptionOllama Service Afternetwork-online.target [Service] ExecStart/usr/local/bin/ollama serve EnvironmentOLLAMA_HOST0.0.0.0 EnvironmentOLLAMA_MODELS/data/ollama/models Restartalways RestartSec3 [Install] WantedBydefault.target EOF # 启动并设置开机自启 sudo systemctl daemon-reload sudo systemctl enable ollama sudo systemctl start ollama # 拉取模型 ollama pull qwen2.5:7b-instruct-q4_K_M生成后我做了两处修改一是确认了Ollama的安装路径是/usr/local/bin/ollama二是手动给systemd服务加了EnvironmentOLLAMA_KEEP_ALIVE5m避免模型频繁换出显存。这些细节AI未必考虑周全但整体框架是直接能用的。这里要说一个关键原则Vibe Coding生成的代码你要把它当成“实习生交上来的第一版”而不是“可直接上线的最终版”。你必须能看懂它在干什么并且知道要改哪里。Prompt提得越具体生成的代码越接近可用。3.3 用Vibe Coding快速写Model Download的断点续传脚本刚开始我直接ollama pull结果模型文件好几个G中途网络断了又要重新下载。Vibe Coding帮了我一个忙——我让它生成一个更智能的下载脚本核心逻辑是解析Ollama的manifest文件提取所有层文件及sha256哈希然后逐个下载支持断点续传和哈希校验。这个需求如果从零手写光研究manifest文件格式就要花不少时间。但描述清楚格式和需求后AI很快给出了参考实现。虽然细节上还需要我调整但核心思路完全可用节省的时间直接按小时算。这类脚本就是典型的“高收益一次性工具”完美匹配Vibe Coding的定位。3.4 端到端验证让AI生成压测脚本并教它理解“并发”和“首token延迟”部署完成后我进入验证阶段。我需要的压测指标很简单固定并发数下请求成功率和平均首token延迟。我写了一个Python脚本用concurrent.futures.ThreadPoolExecutor发并发请求统计响应时间。Prompt大概是这样的用Python写一个并发测试脚本目标接口是一个OpenAI风格的聊天补全接口地址是http://localhost:11434/v1/chat/completions模型名是qwen2.5:7b-instruct-q4_K_M。要求支持通过命令行参数指定并发数每个请求发送相同消息“介绍一下上海”统计成功请求数、失败请求数、平均响应时间、P95响应时间把结果打印成表格。生成的脚本核心逻辑大致如下import requests import json import time import threading from concurrent.futures import ThreadPoolExecutor from statistics import mean, median def send_request(prompt: str, url: str, model: str): payload { model: model, messages: [{role: user, content: prompt}], stream: False } start time.time() resp requests.post(url, jsonpayload, timeout120) cost time.time() - start return resp.status_code, cost def run_batch(concurrency: int, total: int, url: str, model: str, prompt: str): results [] with ThreadPoolExecutor(max_workersconcurrency) as executor: futures [executor.submit(send_request, prompt, url, model) for _ in range(total)] for f in futures: try: code, cost f.result() results.append((code, cost)) except Exception as e: results.append((500, time.time() - start_time)) return results实测8G显存、Q4量化的7B模型单并发下首token延迟大概200-400毫秒2个并发时延迟开始上升到800毫秒左右3个并发时接近1.5秒。对于轻量Agent调用2个并发是安全阈值。这个数据让我确定了后端要加一个并发队列避免直接把模型压垮。3.5 顺手做一份健康检查脚本服务上线后我还需要定期确认它活着。我用Vibe Coding生成了一个健康检查脚本逻辑是先查询nvidia-smi拿到显存占用再用curl访问模型API确认能正常回复最后把状态写入日志文件。这个脚本的Prompt要点是把“健康指标”说清楚GPU利用率超过90%算告警API响应超过10秒算超时。AI生成的脚本还自动加了颜色输出方便在终端里看状态。这类“锦上添花”的功能以前我不会花时间写现在顺手就能让AI做出来幸福感提升不少。4. 常见问题与排查技巧实录把AI Infra和Vibe Coding组合在一起必然会遇到一些典型问题。这里整理一份速查表都是我自己实际跑过的坑。4.1 常见问题速查表现象可能原因排查思路启动Ollama后API无响应服务没起来、端口被占用、模型未拉完先查ps aux显存直接OOM模型精度太高、上下文太长、并发太高换成Q4_K_M量化版降低num_ctx限制并发首token延迟很高模型未预热、CPU offload太多、磁盘IO慢先发一个请求预热检查是否加载到GPU换SSD并发一上去就崩并发数超过显存承载极限压测确定阈值在API网关层加限流vLLM启动失败显存预估值超过实际显存降低gpu_memory_utilization或减小max_model_len模型输出全是乱码量化文件损坏、推理框架版本与模型不兼容重新下载模型文件升级/降级推理框架4.2 让Vibe Coding生成的脚本“可观测”是排障提速的关键我踩过最大的坑不是模型本身而是“黑盒脚本”——AI倒是快速生成了一个部署脚本结果运行起来报错输出信息少得可怜根本不知道哪一步出了问题。后来我学乖了。每次让AI生成脚本我都会在Prompt里强调两件事一是每个关键步骤都要打印日志比如“输出正在下载哪个文件”、“返回状态码是多少”、“失败时打印完整错误信息”二是脚本必须支持--dry-run参数只在终端打印要执行的命令不真正执行。这个小小的习惯让排障时间缩短了一半以上。别小看“加日志”这个动作Vibe Coding工具很擅长生成“有过程的代码”你只需要在Prompt里提一句“增加详细的日志输出”生成结果的质量立刻不一样。4.3 什么时候千万不要用Vibe CodingVibe Coding不是万能的。在AI Infra领域以下场景我强烈建议你保持手工控制涉及生产环境数据库或支付链路的脚本不能直接让AI生成然后上生产必须逐行审查。CUDA Kernel优化、显存布局调整这类需要极致性能控制的场景AI现阶段帮不上忙但可以帮你做文档总结。带有强合规要求的操作步骤比如密钥管理、权限控制不要全盘交给AI至少得有一个懂安全的人把关。这个边界想清楚就不会被Vibe Coding“坑”到反而能最大化它的价值。5. 说点我自己的体会Vibe Coding和大模型部署这两个热点在这个项目里碰撞出来的真实经验我觉得可以浓缩成一句话AI Infra里那些“繁琐但规律”的部分正是Vibe Coding最能提效的地方。显存计算、参数调优、并发策略这些底层逻辑你仍然要懂因为只有懂了才能写出高质量的Prompt才能判断AI生成的脚本是否合理。但如果让AI帮你写部署脚本、做API对接、生成压测工具你就能把精力聚焦在真正重要的“判断与决策”上。我刚接触Vibe Coding时也有怀疑觉得它不够“硬核”。用了几轮之后我的感觉是它更像一把趁手的瑞士军刀不能帮你造飞机但能帮你快速把眼前这堆螺丝拧好——在AI Infra这个又碎又长的链路里这把刀真的省了我太多事。
“大模型最难的AI Infra用Vibe Coding搞定”这个标题我一开始是半信半疑的。做AI Infra做了这么多年GPU排障、显存OOM、推理服务调优、日志捞到半夜哪一件不是硬骨头。结果这两年被Vibe Coding反复“打脸”——曾经最让我头疼的环境编排、启动脚本、参数试错、API对接现在有相当大一部分能交给自然语言驱动的AI编码流程来处理。这篇文章我想认真聊聊AI Infra到底难在哪Vibe Coding凭什么能切入这个领域以及我用它实打实跑通一个本地大模型服务时踩过的坑和总结下来的套路。如果你正准备本地部署大模型、做Agent调用、或者用vLLM/Ollama搭服务这篇文章应该能帮你省下不少时间。1. AI Infra为什么被称为“最难啃的骨头”先说结论大模型算法和微调虽然有门槛但市面上教程多、套路成熟、跑通demo的门槛其实不高。AI Infra的难是难在“资源、性能、稳定、成本”四个维度互相纠缠它不是一个函数能解决的而是一整套系统工程。1.1 显存比黄金还金贵算一笔账就懂了很多人第一次接触本地部署大模型第一个问题就是我的显卡能不能跑然后照着教程跑起来发现OOM或者推理慢到没法用。这背后的核心约束是显存。我做个简化估算以7B模型为例模型权重7B参数FP16精度下大约需要 7 × 10⁹ × 2 字节 14GB 显存。KV Cache推理时要缓存历史token的Key和Value这个随并发和上下文长度增长。比如8K上下文、batch size为1通常要额外预留1-3GB。激活值和临时张量视batch size而定通常预留1-2GB。一张8GB显存的卡裸跑7B FP16基本没戏必须量化。INT4量化后权重降到约4GB左右再留出KV Cache和激活值勉强能跑。这也是为什么你在各种社区看到“8G显卡适合跑什么模型”时大家推荐的都是Qwen2.5-7B-Instruct的Q4_K_M、Llama-3-8B的GGUF INT4这类量化版。这个计算本身不难难的是它还不是静态的。上下文长度一变、并发一上来、batch size一调显存占用就变了。而这些参数之间又是互相影响的——上下文越长KV Cache越大并发越高KV Cache翻倍增长。每次调整都要重新估算手工算很烦更容易出错。1.2 推理优化与服务化是一道组合题模型能跑起来只是第一步。真正让很多团队卡住的是“服务化”——要支持并发请求、控制首token延迟、优化吞吐、管理显存配额。以vLLM为例它之所以成为部署大模型的标配是因为引入了PagedAttention把KV Cache分页管理显存利用率大幅提升。但这也带来了新的问题max_num_seqs、gpu_memory_utilization、max_model_len、tensor_parallel_size这些参数怎么配它们之间是什么关系匹配不好轻则吞吐上不去重则显存溢出崩掉。这些参数不是“照着抄就行”的你得根据硬件、模型、业务场景综合判断。比如gpu_memory_utilization0.85的意思是把85%的显存预留给推理剩下的留给CUDA context和碎片冗余。如果你开的是0.95可能启动就崩因为剩下的空间不够装CUDA上下文。这类经验很多教程不会讲只有踩过坑才知道。1.3 链路太长、工具太杂排查全靠经验AI Infra的另一个难点是链路长。从模型下载、镜像构建、容器启动、端口映射、环境变量配置、API网关转发到前端应用调用任何一个节点出问题都可能导致服务不可用。以前排查问题我得自己翻日志、看进程、查端口、测API、检查GPU状态再结合经验锁定故障点。有一次深夜一个服务启动失败我排查了一小时最后发现只是环境变量里一个冒号写成了中文冒号。这种问题不涉及任何高深算法但就是磨人而且经验不足的人根本不知道从哪查起。这也解释了为什么“AI Infra难”不是难在某个具体环节而是难在整个链路长、工具杂、资料分散、隐含知识多。这恰恰给Vibe Coding留出了一个巨大的发挥空间。2. Vibe Coding到底是什么又凭什么切入AI InfraVibe Coding这个词从2024年开始火核心意思是用自然语言描述意图让AI生成代码再由人来审查、运行、迭代。它重点不是“AI自动写一切”而是把程序员的角色从“手写每一行”变成“提需求、做验收、修方向”。很多人以为Vibe Coding只适合写前端页面、做点小工具我觉得这是低估了它。至少在我自己的实践里AI Infra反而是Vibe Coding收益最明显的领域之一。2.1 Vibe Coding的底层逻辑把“怎么做”外包出去把“做什么”攥在手里传统的编程重心在“怎么做”——你要懂语法、懂API、懂框架、懂部署流程。Vibe Coding把重心拉回“做什么”你想达到什么目标、边界条件是什么、约束有哪些剩下的由大模型帮你生成高度可用的样板代码。在AI Infra里很多工作本质上不是“创新”而是“组合”把官方文档里的启动命令、社区推荐的参数、自己的硬件条件、脚本逻辑拼在一起。这类工作需要细心和耐心但不需要太多灵感。大模型最擅长的恰恰是总结文档、理解参数含义、生成样板代码。比如我之前写一个“自动检测GPU型号并按最优配置启动推理服务”的脚本纯手工写包括查API文档、试参数、处理各种异常分支大概要一两个小时。用Vibe Coding我只需要说清楚“用nvidia-smi检测GPU型号匹配显存大小选择一个合适的vLLM启动参数模板生成shell脚本并带日志输出”生成的代码已经能覆盖九成场景。2.2 AI Infra里有大量“一次性脚本”跪求自动化Infra工程师日常要写很多“一次性脚本”批量拉模型、检查镜像版本、生成配置文件、压测接口、解析日志、格式化输出。这些脚本往往用完就丢但每次都花时间写很浪费。Vibe Coding的精神是“代码可变、可弃、快速迭代”这跟一次性脚本天然契合。以前我纠结脚本写得够不够优雅现在的心态变成让AI写一个能用且可读的版本跑完验证如果不好用就让AI改改到好用为止。反正一两次迭代的成本比从零写低得多。2.3 “文档漂移”是Vibe Coding切入的绝佳场景AI Infra领域发展太快文档经常过时。比如某个部署框架更新版本后旧教程里的参数名变了或者某个模型的推荐量化类型变了。这种“参考文档与实际版本不一致”的问题人工去逐条对照很痛苦但大模型可以快速读取官方文档、比对参数差异、输出一份针对当前环境的配置。我多次让AI生成“基于官方最新文档的部署步骤”实测下来AI给出的命令比一些两年前的热门博客可靠得多——它能自动忽略过时内容优先参考版本匹配的最新文档。这是传统搜索引擎给不了的体验。3. 实操用Vibe Coding把本地大模型从“想法”变成“服务”说得再好不如跑一遍。下面分享一个我最近的实操案例场景是在一台8G显存的单卡机器上部署一个本地Qwen2.5-7B模型提供OpenAI风格API给Agent调用并验证并发能力。整个过程我尽量用Vibe Coding的思路来推进你也可以直接参照。3.1 先定目标与选型这一步不能省Vibe Coding不等于“什么都让AI说了算”。硬件选型和场景分析必须自己完成因为这决定了后面所有Prompt的方向。我当时的场景是给一个小型Agent项目提供本地推理能力需要兼容OpenAI API格式支持2-3个并发请求不至于让Agent调接口老超时。选型逻辑如下方案优点缺点适用场景Ollama安装简单、模型管理方便、默认OpenAI兼容接口性能优化空间有限高并发吞吐不如vLLM个人开发、轻量使用、快速验证vLLM吞吐高、显存利用率高、支持连续批处理启动参数复杂对显存敏感安装有依赖要求生产级服务、多并发、追求性能llama.cpp/server跨平台、CPU/GPU混合推理、量化支持好API功能相对基础生态不如前两者低配置环境、Mac/CPU运行我最终选了Ollama做第一版因为8G显存场景追求吞吐没有意义稳定、快速跑通才重要。但我在Prompt里也要求AI额外生成一份“基于vLLM的备选启动方案”方便后续升级。3.2 把需求拆成“一句话任务”再交给AI生成我第一步的需求是在Ubuntu上完成Ollama部署拉取Qwen2.5-7B-Instruct的Q4_K_M量化版模型并配置好环境变量。这本身不复杂但包含很多小细节OLLAMA_HOST绑定地址、模型下载超时、手动下载GGUF模型文件等。我直接用自然语言给AI下指令在Ubuntu服务器上部署Ollama要求使用官方脚本安装模型选择qwen2.5:7b-instruct-q4_K_M设置OLLAMA_HOST为0.0.0.0端口11434配置OLLAMA_MODELS到独立数据盘写一个systemd服务实现开机自启动最后验证API是否正常返回。AI生成的脚本大概长这样简化版# 安装Ollama curl -fsSL https://ollama.com/install.sh | sh # 配置服务目录 sudo mkdir -p /data/ollama/models sudo chown -R $USER:$USER /data/ollama # 写入systemd服务配置 sudo mkdir -p /etc/systemd/system cat EOF | sudo tee /etc/systemd/system/ollama.service [Unit] DescriptionOllama Service Afternetwork-online.target [Service] ExecStart/usr/local/bin/ollama serve EnvironmentOLLAMA_HOST0.0.0.0 EnvironmentOLLAMA_MODELS/data/ollama/models Restartalways RestartSec3 [Install] WantedBydefault.target EOF # 启动并设置开机自启 sudo systemctl daemon-reload sudo systemctl enable ollama sudo systemctl start ollama # 拉取模型 ollama pull qwen2.5:7b-instruct-q4_K_M生成后我做了两处修改一是确认了Ollama的安装路径是/usr/local/bin/ollama二是手动给systemd服务加了EnvironmentOLLAMA_KEEP_ALIVE5m避免模型频繁换出显存。这些细节AI未必考虑周全但整体框架是直接能用的。这里要说一个关键原则Vibe Coding生成的代码你要把它当成“实习生交上来的第一版”而不是“可直接上线的最终版”。你必须能看懂它在干什么并且知道要改哪里。Prompt提得越具体生成的代码越接近可用。3.3 用Vibe Coding快速写Model Download的断点续传脚本刚开始我直接ollama pull结果模型文件好几个G中途网络断了又要重新下载。Vibe Coding帮了我一个忙——我让它生成一个更智能的下载脚本核心逻辑是解析Ollama的manifest文件提取所有层文件及sha256哈希然后逐个下载支持断点续传和哈希校验。这个需求如果从零手写光研究manifest文件格式就要花不少时间。但描述清楚格式和需求后AI很快给出了参考实现。虽然细节上还需要我调整但核心思路完全可用节省的时间直接按小时算。这类脚本就是典型的“高收益一次性工具”完美匹配Vibe Coding的定位。3.4 端到端验证让AI生成压测脚本并教它理解“并发”和“首token延迟”部署完成后我进入验证阶段。我需要的压测指标很简单固定并发数下请求成功率和平均首token延迟。我写了一个Python脚本用concurrent.futures.ThreadPoolExecutor发并发请求统计响应时间。Prompt大概是这样的用Python写一个并发测试脚本目标接口是一个OpenAI风格的聊天补全接口地址是http://localhost:11434/v1/chat/completions模型名是qwen2.5:7b-instruct-q4_K_M。要求支持通过命令行参数指定并发数每个请求发送相同消息“介绍一下上海”统计成功请求数、失败请求数、平均响应时间、P95响应时间把结果打印成表格。生成的脚本核心逻辑大致如下import requests import json import time import threading from concurrent.futures import ThreadPoolExecutor from statistics import mean, median def send_request(prompt: str, url: str, model: str): payload { model: model, messages: [{role: user, content: prompt}], stream: False } start time.time() resp requests.post(url, jsonpayload, timeout120) cost time.time() - start return resp.status_code, cost def run_batch(concurrency: int, total: int, url: str, model: str, prompt: str): results [] with ThreadPoolExecutor(max_workersconcurrency) as executor: futures [executor.submit(send_request, prompt, url, model) for _ in range(total)] for f in futures: try: code, cost f.result() results.append((code, cost)) except Exception as e: results.append((500, time.time() - start_time)) return results实测8G显存、Q4量化的7B模型单并发下首token延迟大概200-400毫秒2个并发时延迟开始上升到800毫秒左右3个并发时接近1.5秒。对于轻量Agent调用2个并发是安全阈值。这个数据让我确定了后端要加一个并发队列避免直接把模型压垮。3.5 顺手做一份健康检查脚本服务上线后我还需要定期确认它活着。我用Vibe Coding生成了一个健康检查脚本逻辑是先查询nvidia-smi拿到显存占用再用curl访问模型API确认能正常回复最后把状态写入日志文件。这个脚本的Prompt要点是把“健康指标”说清楚GPU利用率超过90%算告警API响应超过10秒算超时。AI生成的脚本还自动加了颜色输出方便在终端里看状态。这类“锦上添花”的功能以前我不会花时间写现在顺手就能让AI做出来幸福感提升不少。4. 常见问题与排查技巧实录把AI Infra和Vibe Coding组合在一起必然会遇到一些典型问题。这里整理一份速查表都是我自己实际跑过的坑。4.1 常见问题速查表现象可能原因排查思路启动Ollama后API无响应服务没起来、端口被占用、模型未拉完先查ps aux显存直接OOM模型精度太高、上下文太长、并发太高换成Q4_K_M量化版降低num_ctx限制并发首token延迟很高模型未预热、CPU offload太多、磁盘IO慢先发一个请求预热检查是否加载到GPU换SSD并发一上去就崩并发数超过显存承载极限压测确定阈值在API网关层加限流vLLM启动失败显存预估值超过实际显存降低gpu_memory_utilization或减小max_model_len模型输出全是乱码量化文件损坏、推理框架版本与模型不兼容重新下载模型文件升级/降级推理框架4.2 让Vibe Coding生成的脚本“可观测”是排障提速的关键我踩过最大的坑不是模型本身而是“黑盒脚本”——AI倒是快速生成了一个部署脚本结果运行起来报错输出信息少得可怜根本不知道哪一步出了问题。后来我学乖了。每次让AI生成脚本我都会在Prompt里强调两件事一是每个关键步骤都要打印日志比如“输出正在下载哪个文件”、“返回状态码是多少”、“失败时打印完整错误信息”二是脚本必须支持--dry-run参数只在终端打印要执行的命令不真正执行。这个小小的习惯让排障时间缩短了一半以上。别小看“加日志”这个动作Vibe Coding工具很擅长生成“有过程的代码”你只需要在Prompt里提一句“增加详细的日志输出”生成结果的质量立刻不一样。4.3 什么时候千万不要用Vibe CodingVibe Coding不是万能的。在AI Infra领域以下场景我强烈建议你保持手工控制涉及生产环境数据库或支付链路的脚本不能直接让AI生成然后上生产必须逐行审查。CUDA Kernel优化、显存布局调整这类需要极致性能控制的场景AI现阶段帮不上忙但可以帮你做文档总结。带有强合规要求的操作步骤比如密钥管理、权限控制不要全盘交给AI至少得有一个懂安全的人把关。这个边界想清楚就不会被Vibe Coding“坑”到反而能最大化它的价值。5. 说点我自己的体会Vibe Coding和大模型部署这两个热点在这个项目里碰撞出来的真实经验我觉得可以浓缩成一句话AI Infra里那些“繁琐但规律”的部分正是Vibe Coding最能提效的地方。显存计算、参数调优、并发策略这些底层逻辑你仍然要懂因为只有懂了才能写出高质量的Prompt才能判断AI生成的脚本是否合理。但如果让AI帮你写部署脚本、做API对接、生成压测工具你就能把精力聚焦在真正重要的“判断与决策”上。我刚接触Vibe Coding时也有怀疑觉得它不够“硬核”。用了几轮之后我的感觉是它更像一把趁手的瑞士军刀不能帮你造飞机但能帮你快速把眼前这堆螺丝拧好——在AI Infra这个又碎又长的链路里这把刀真的省了我太多事。
