0Pricing
AI Agents · 강의

Ollama와 llama.cpp로 로컬 모델 실행

Ollama는 LLM을 위한 ‘docker run’과 같은 환경을 제공하고, llama.cpp는 양자화와 직접적인 C++ 제어를 더 깊이 다룹니다.

Ollama와 llama.cpp로 로컬 모델 실행은(는) CoddyKit의 무료 AI Agents 강의입니다. 이것은 4개 중 2번째 강의입니다. 아래에서 전체 강의를 무료로 읽을 수 있으며, 내장 코드 에디터와 24/7 AI 튜터와 함께 브라우저에서 직접 실습할 수 있습니다. 이 강의는 AI Agents 학습 경로의 일부이며, 진행 상황이 웹과 CoddyKit 앱에 동기화됩니다. AI Agents 강의에는 총 4개의 강의가 포함되어 있습니다.

이 강의의 일부는 아직 번역되지 않았으며 영어로 표시됩니다.

쉬운 두 가지 방법

워크스테이션이나 서버에서 공개 모델을 자체 호스팅하는 방법은 다음과 같습니다:

  • Ollama — 가장 간단하며, LLM을 위한 Docker와 비슷한 사용자 경험 제공
  • llama.cpp — 하드웨어에 더 가까워 제어력이 높고 설치 규모가 작음

Ollama Quick Start

# Install (macOS):
brew install ollama

# Pull a model:
ollama pull llama3.1:8b

# Run interactively:
ollama run llama3.1:8b 'Hello'

# Serve via HTTP (OpenAI-compatible):
ollama serve

Calling Ollama Via SDK

from openai import OpenAI
client = OpenAI(base_url='http://localhost:11434/v1', api_key='ollama')

response = client.chat.completions.create(
    model='llama3.1:8b',
    messages=[{'role': 'user', 'content': 'Hello'}]
)
print(response.choices[0].message.content)

Ollama의 도구 호출

Ollama는 호환되는 모델(Llama 3.1 이상, Mistral, Qwen 2.5)의 도구 호출을 지원합니다:

tools = [{'type': 'function', 'function': {...}}]
response = client.chat.completions.create(
    model='llama3.1:8b',
    messages=messages,
    tools=tools
)

llama.cpp 기초

llama.cpp는 ANY GGUF 형식 모델을 CPU, GPU 또는 Metal(Apple Silicon)에서 실행하는 C++ 구현입니다:

# Build (or install pre-built):
git clone https://github.com/ggerganov/llama.cpp
cd llama.cpp && make

# Run a quantized model:
./llama-cli -m models/llama-3.1-8b-instruct.Q4_K_M.gguf -p 'Hello'

Server Mode

./llama-server -m models/llama-3.1-8b-instruct.Q4_K_M.gguf --port 8080

# Now OpenAI-compatible endpoint at http://localhost:8080/v1

양자화

4비트 양자화(Q4_K_M)를 사용하면 품질 손실을 거의 감수하지 않고 "16GB" 모델을 약 5GB RAM에서 실행할 수 있습니다. 먼저 Q4를 사용해 보고, 품질이 중요한 작업에서는 더 높은 수준(Q5, Q6, Q8)을 사용하십시오.

하드웨어 요구 사항

모델RAM Q4VRAM Q4
7-8B약 6 GB약 6 GB
13B약 10 GB약 10 GB
70B약 40 GB약 40 GB

Apple Silicon의 통합 메모리 덕분에 대규모 로컬 모델도 놀라울 정도로 실용적으로 사용할 수 있습니다.

처리량을 위한 vLLM

동시성이 높은 프로덕션 서비스에는 vLLM(PagedAttention, 연속 배칭)을 사용하십시오:

# pip install vllm
from vllm import LLM, SamplingParams
llm = LLM(model='meta-llama/Llama-3.1-8B-Instruct')

params = SamplingParams(temperature=0.2, max_tokens=512)
result = llm.generate(['Hello world'], params)

텍스트 생성 추론(TGI)

HuggingFace TGI는 또 다른 프로덕션 서버입니다. 도구 사용을 강력하게 지원합니다.

서버 비교

  • Ollama — 최고의 사용자 경험, 간단한 CLI/HTTP, 개발에 적합
  • llama.cpp — 가장 가볍고 어디서나 실행 가능
  • vLLM — 가장 높은 처리량, GPU 전용
  • TGI — HuggingFace 통합 및 모니터링

자체 호스팅 시점

  • 엄격한 프라이버시 요구
  • 매우 높은 사용량(비용이 역전되는 지점은 하루 약 1,000만 토큰)
  • 미세 조정한 모델
  • 엣지 또는 오프라인 시나리오

자체 호스팅을 피해야 하는 경우

  • 사용량이 적은 사이드 프로젝트(호스팅 방식이 더 저렴함)
  • 최첨단 추론 품질이 필요한 경우
  • 멀티모달 작업

OpenAI 호환 엔드포인트

OpenAI 호환 엔드포인트 규약이 로컬 모델에 유용한 이유는 무엇일까요?

복습

개발의 간편함에는 Ollama, 이식성에는 llama.cpp, 프로덕션 처리량에는 vLLM을 사용하십시오. 모두 OpenAI 형태의 인터페이스를 사용하므로 코드를 변경하지 않고 교체할 수 있습니다.

자주 묻는 질문

“Ollama와 llama.cpp로 로컬 모델 실행” 강의는 무료인가요?

네 — “Ollama와 llama.cpp로 로컬 모델 실행” 전체 내용을 이 웹사이트에서 무료로 읽을 수 있습니다. 인터랙티브하게 실습하려면(내장 코드 에디터와 24/7 AI 튜터), CoddyKit PRO로 업그레이드하면 AI Agents 강의 전체를 잠금 해제할 수 있습니다. AI Agents 강의에는 총 4개의 강의가 포함되어 있습니다.

“Ollama와 llama.cpp로 로컬 모델 실행”에서 뭘 배우나요?

Ollama는 LLM을 위한 ‘docker run’과 같은 환경을 제공하고, llama.cpp는 양자화와 직접적인 C++ 제어를 더 깊이 다룹니다. 브라우저에서 직접 실행하는 실습 코드로 AI Agents을(를) 배우며, 24/7 AI 튜터가 강의를 진행하면서 질문에 답변해줍니다.

AI Agents을(를) 시작하는 데 경험이 필요한가요?

사전 경험은 필요하지 않습니다. CoddyKit의 AI Agents은(는) 초급자부터 고급 학습자까지를 위해 구성되어 있으므로, 여기서 시작하거나 처음부터 시작할 수 있으며 자신의 속도대로 진행할 수 있습니다. 이것은 4개 중 2번째 강의입니다.

“Ollama와 llama.cpp로 로컬 모델 실행” 강의는 얼마나 걸리나요?

대부분의 CoddyKit 강의는 약 5~10분이 소요됩니다. 각 강의는 간결하고 인터랙티브하여 꾸준한 진행이 가능하며, 웹과 앱에서 중단한 부분부터 바로 시작할 수 있습니다.

이 AI Agents 강의에서 코드를 작성하고 실행할 수 있나요?

네. 모든 AI Agents 강의에는 내장 코드 에디터가 포함되어 있으므로, 브라우저에서 바로 실제 코드를 작성하고 실행한 후 즉시 AI 피드백을 받을 수 있습니다 — 로컬 설정이 필요 없습니다.

이 강의의 모든 강의

  1. Llama, Mistral 및 Qwen 개요
  2. Ollama와 llama.cpp로 로컬 모델 실행
  3. 함수 호출 오픈 모델(Hermes, Functionary)
  4. 절충점: 지연 시간, 비용, 성능
← AI Agents(으)로 돌아가기