下载

Skill UI

浏览并发现 9119+ 精选技能

全部编程开发人工智能设计创意产品商业数据科学市场营销职场通用效率工具硬件工程语言学习

搜索边缘AI ，共找到 6 条记录

默认排序最新上传最多下载

GGUF量化：高效大模型推理

gguf-quantization

Orchestra-Research/AI-Research-SKILLs

本指南深入介绍GGUF格式和模型量化技术，旨在实现大语言模型（LLM）在消费级硬件上的高效推理。通过采用GGUF标准格式和K-quant方法进行模型压缩，可以显著降低内存和硬件要求，使开发者能够在Apple Silicon、CPU或边缘设备上部署高性能AI应用。

CPU/边缘本地大模型推理

Orchestra-Research/AI-Research-SKILLs

llama.cpp是一个纯C/C++编写的轻量级推理框架，专为在资源受限的设备上运行大型语言模型（LLM）而设计。它特别适用于没有高性能NVIDIA GPU（CUDA）的场景，非常适合Apple Silicon、AMD/Intel GPU以及边缘计算设备。通过支持GGUF量化，可以实现内存占用和推理速度的显著优化，支持本地跨平台部署。

LLM模型剪枝实用指南

Orchestra-Research/AI-Research-SKILLs

通过 Wanda、SparseGPT 与 N:M 结构化剪枝，快速压缩大语言模型，提升稀疏度与推理速度，无需再训练即可部署在移动或边缘硬件。

Perplexity云平台部署集成指南

perplexity-deploy-integration

jeremylongshore/claude-code-plugins-plus-skills

本指南提供了使用 Perplexity Sonar API 构建和部署应用的完整流程。涵盖了 Vercel、Cloud Run 和 Docker 等主流云平台的部署配置，支持构建生产就绪的API端点。用户可以管理API密钥、利用边缘函数和Redis缓存，确保应用在高可用性和高性能方面达到最佳效果。

端到端计算机视觉系统部署

senior-computer-vision

alirezarezvani/claude-skills

提供完整的视觉AI系统构建流程指导。内容涵盖目标检测、实例分割、语义分割和视频分析等核心能力，从数据集准备、架构选择、PyTorch训练到模型优化（ONNX/TensorRT）和生产部署，确保系统能在各种边缘或云端设备上高效运行。

Qdrant部署方案选择指南

qdrant-deployment-options

github/awesome-copilot

本指南用于帮助用户选择最适合的Qdrant部署方案。它详细对比了本地模式、自托管、Qdrant Cloud（零运维）和Qdrant EDGE四种部署模式，帮助用户根据项目需求（如是否需要完全控制、运维负担、数据驻留或最低延迟）来决定是用于原型开发、自建集群还是边缘计算应用。

1

语言