要让一切跑起来，需要准备几个部分。
我从 Hugging Face 下载 Qwen 模型和 llama.cpp 源代码，构建中间模型，最后将它转换成 llama.cpp 使用的 GGUF 格式。过程虽然涉及一些技术步骤，但并不复杂。最费时间的是下载 18 GB 数据。
然后，我启动 llama_server，在浏览器里打开它……
它就在那里。
一个带聊天框的网页。
我给自己搭了一个聊天机器人。
这件事既酷，又没那么有意思。
毕竟我已经有 ChatGPT，它的知识和能力要强得多。
当然，我首先开始问它各种问题。
我问了一些常识问题。它了解历史人物（例如 Rudolf Steiner）、地理、科学，还有编程……
答案是：它懂得相当多。
光是这一点就已经很令人惊讶。它没有查询 Google，也没有调用网上的巨型 AI 服务。模型和它所知道的东西，就在我自己的电脑里。
然后，我问它是否知道 Patrick Loeber 的 AI 贪吃蛇教程。
它知道我在说什么。
这引起了我的注意。
Patrick Loeber 的项目对我来说很熟悉。我自己的 Snake Lab 项目，正是从研究让 AI 学会玩贪吃蛇的实验发展而来的。所以，我不再只是问模型一些冷知识，而是开始和它聊我真正了解的主题。
它居然能给出有见地的回应。
真酷。
问题是，我手里仍然只是一个聊天机器人。
我可以提问，它可以回答。这很了不起，但并不是我真正感兴趣的事情。
我想在程序代码里使用 LLM。
于是我写了一个很粗糙的对话循环。
当时并没有什么宏伟计划。我只是想写一个程序：向模型发送提示词，获取回复，然后用这个回复做点事情。
这就引出了一个重要的工程问题：
我应该让它做什么？
显然，我的答案是：
让它为数字写俳句。
程序生成一个随机数，再连同“为这个数字写一首俳句”的提示一起发送给 LLM。
模型写出俳句。
程序将结果写入日志文件。
A new age starts today
Apollo touches the moon's face
New world begins to shine
1970
接着，它又生成一个数字。
再一个。
再一个。
很快，我就拥有了一台本地运行大语言模型的电脑，模型在那里沉思随机整数，并为它们写诗。
说不上有什么实际用途。
但它能用。
真正重要的并不是俳句，而是这个循环：
这是我第一次不再只是与 AI 聊天。
而是把 AI 放进了程序内部。
我的第一个本地 LLM 实验没有产生任何实际价值。
它只是在为随机数字写俳句。
但那个小实验回答了我真正关心的问题。
我可以在本地运行 LLM，从自己的软件与它通信，把信息交给它，获取回复，记录回复，再重复整个过程，而无须一直坐在聊天窗口前。
那时候，我还没有 Ax3l。
甚至连完整的构想都还没有。
我只有一个循环。
以及一个写满俳句的日志文件。