GGRun
GGRun 是 AI Skill Hub 本期精选AI工具之一。综合评分 8.0 分，整体质量较高。我们强烈推荐将其纳入你的 AI 工具库，帮助提升工作效率。
📚 深度解析
**为什么要使用开源工具而非商业 SaaS？**
对于个人开发者和有隐私需求的用户，本地部署的开源工具意味着数据不离本机，不受第三方服务商的数据政策约束。同时，开源工具通常没有使用次数限制和月度费用，一次安装即可长期使用，对于高频使用场景的总拥有成本（TCO）远低于订阅制商业工具。
**安装与环境准备**
GGRun 依赖 Go 运行环境。建议通过 pyenv（Python）或 nvm（Node.js）管理 Go 版本，避免全局环境污染。对于新手用户，推荐先创建虚拟环境（python -m venv venv && source venv/bin/activate），再安装依赖，这样即使出现问题也可以随时删除虚拟环境重新开始，不影响系统稳定性。
**社区与维护**
GitHub Issue 和 Discussion 是获取帮助的最快渠道。在提问前建议先检查 Closed Issues（已关闭的问题），大多数常见问题都已有解答。遇到 Bug 时，提供 pip list 的输出、完整错误堆栈和最小可复现示例，能显著提高开发者响应速度。AI Skill Hub 将持续追踪 GGRun 的版本更新，及时通知重要功能变化。
📋 工具概览
GGRun 是一款基于 Go 开发的开源工具，专注于 gguf、golang、inference-server 等核心功能。作为 GitHub 开源项目，它拥有活跃的社区支持和持续的版本迭代，代码完全透明可审计，支持本地部署以保护数据隐私。无论是个人使用还是集成到企业工作流，都能提供稳定可靠的解决方案。
📖 中文文档
GGRun 是一款基于 Go 开发的开源工具，专注于 gguf、golang、inference-server 等核心功能。作为 GitHub 开源项目，它拥有活跃的社区支持和持续的版本迭代，代码完全透明可审计，支持本地部署以保护数据隐私。无论是个人使用还是集成到企业工作流，都能提供稳定可靠的解决方案。
- 开源免费，支持本地部署，数据完全自主可控
- 活跃的 GitHub 开源社区，持续迭代更新
- 提供详细文档和使用示例，新手友好
- 支持自定义配置，灵活适配不同使用环境
- 可作为基础组件集成进现有技术栈或进行二次开发
- 本地部署运行，保护数据隐私，满足合规要求
- 自定义集成到现有系统，扩展技术栈能力
- 作为开源基础组件进行商业化二次开发
# 方式一：go install（推荐） go install github.com/raketenkater/ggrun@latest # 方式二：从源码编译 git clone https://github.com/raketenkater/ggrun cd ggrun go build -o ggrun . # 方式三：下载预编译二进制 # 访问 Releases 页面下载对应平台二进制文件 # https://github.com/raketenkater/ggrun/releases
- 访问 GitHub 仓库页面
- 按照 README 文档完成依赖安装
- 根据系统环境完成初始化配置
- 参考官方示例或文档开始使用
- 遇到问题可在 GitHub Issues 中查找解答
# 查看帮助 ggrun --help # 基本运行 ggrun [options] <input> # 详细使用说明请查阅文档 # https://github.com/raketenkater/ggrun
# ggrun 配置说明 # 查看配置选项 ggrun --config-example > config.yml # 常见配置项 # output_dir: ./output # log_level: info # workers: 4 # 环境变量（覆盖配置文件） export GGRUN_CONFIG="/path/to/config.yml"
ggrun
ggrun (pronounced "g-run", from "gguf run") is my launcher around llama.cpp and ik_llama.cpp. It reads a GGUF's tensor layout against the VRAM, RAM, and per-GPU bandwidth actually on the machine, then places big MoE models across a mismatched multi-GPU setup so the split fits and the server starts without an OOM or a pile of hand-tuned flags. I started it because loading one GGUF is easy, but getting that split right by hand was not.
The project is mainly about three things:
1. running big MoE models that do not fit neatly into VRAM; 2. finding a fast configuration that also stays stable at the context and load I actually want to use; 3. making Claude Code's Ultracode workflows actually usable with a local model: parallel agents, tools, long contexts, research, and no cloud inference for the model calls.
ggrun is not an inference engine. It reads the GGUF and the machine, builds a launch plan for the selected backend, checks that the plan fits, starts the server, and keeps the generated command visible. Unknown flags still pass through to llama-server.
Quick start
Linux / macOS:
curl -fsSL https://raw.githubusercontent.com/raketenkater/ggrun/main/setup.sh | bashWindows (PowerShell):
iwr -useb https://raw.githubusercontent.com/raketenkater/ggrun/main/install.ps1 | iexThen run a local GGUF, download one from Hugging Face, or open the TUI:
```bash ggrun model.gguf ggrun unsloth/Qwen3.6-27B-GGUF --download
Local Claude Code and Ultracode workflows
ggrun model.gguf --claude-codeThis starts the model, points Claude Code model aliases at the local Anthropic-compatible endpoint, and launches the claude CLI when it is installed. The point is to make Claude Code's Ultracode workflows usable with a local model: parallel agents, tools, long contexts, research, and no cloud inference for the model calls.
Context is shared between slots: 1M total context with --parallel 4 is about 256k per request. ggrun lowers the default parallelism when that split would make the individual slots too small, and explicit values always win.
Agent loops resend a mostly-repeated prompt every turn — system prompt, tool schemas, prior turns — so reprocessing all of it each time is the expensive part, not generation. On backends that can shift a transformer context, Claude mode turns on --cache-reuse 256, which reuses prompt chunks that moved after a compaction or context shift, not just an exact prefix match: a compacted 4,506-token prefill went from 45.1 seconds to one processed token in 0.15 seconds in a production test. Hybrid/recurrent and multimodal models that can't shift context that way (native DeepSeek V4, Laguna) get a rolling context checkpoint per slot instead, kept when there's enough host RAM headroom to hold it. Either path, a turn after the first one costs a fraction of what it would cold. Mechanics and the opt-out flags are in docs/usage.md.
Claude Code itself still needs to be installed separately. ggrun replaces its model endpoint and wires the local workflow; it does not make a model with weak tool use behave like a strong coding model. The complete setup and overrides are documented in docs/usage.md.
高性能AI模型推理工具，易于使用
- 需要 ggrun 解决具体问题的开发者与运营人员
- 本地部署优先选 GGUF 量化模型，节省显存并保持响应速度
- API key 直接提交到 git 仓库（请用 .env 并加入 .gitignore）
- 显存不足直接 OOM — 优先降低 context 或换更小的量化模型
- 本地部署：CPU 8GB 起，GPU 推荐 16GB+ 显存
- 云端托管：可放在 Vercel / Railway / Fly.io 等 PaaS 平台
⚡ 核心功能
- 开源免费，支持本地部署，数据完全自主可控
- 活跃的 GitHub 开源社区，持续迭代更新
- 提供详细文档和使用示例，新手友好
- 支持自定义配置，灵活适配不同使用环境
- 可作为基础组件集成进现有技术栈或进行二次开发
- 需要 ggrun 解决具体问题的开发者与运营人员
- 本地部署优先选 GGUF 量化模型，节省显存并保持响应速度
- API key 直接提交到 git 仓库（请用 .env 并加入 .gitignore）
- 显存不足直接 OOM — 优先降低 context 或换更小的量化模型
👥 适合人群
🎯 使用场景
- 本地部署运行，保护数据隐私，满足合规要求
- 自定义集成到现有系统，扩展技术栈能力
- 作为开源基础组件进行商业化二次开发
⚖️ 优点与不足
- +MIT 协议，可免费商用
- +完全开源免费，无授权费用
- +本地部署，数据完全自主可控
- +开发者社区支持，遇问题可查可问
- −安装和初始配置可能需要一定技术基础
- −功能完整性通常不如成熟商业产品
- −技术支持主要依赖开源社区，响应速度不稳定
AI Skill Hub 为第三方内容聚合平台，本页面信息基于公开数据整理，不对工具功能和质量作任何法律背书。
建议在沙箱或测试环境中充分验证后，再部署至生产环境，并做好必要的安全评估。
✅ MIT 协议 — 最宽松的开源协议之一，可自由商用、修改、分发，仅需保留版权声明。
🔗 相关工具推荐
❓ 常见问题 FAQ
经综合评估，GGRun 在AI工具赛道中表现稳健，质量优秀。如果你已有明确的使用需求，可以直接上手体验；如果还在评估阶段，建议对比同类工具后再做决策。
| 原始名称 | ggrun |
| 原始描述 | 开源AI工具：Auto-tuned launcher for GGUF models on llama.cpp / ik_llama.cpp — OpenAI-compati。⭐239 · Go |
| Topics | ggufgolanginference-serverllama-cpp |
| GitHub | https://github.com/raketenkater/ggrun |
| License | MIT |
| 语言 | Go |
收录时间：2026-07-02 · 更新时间：2026-07-03 · License：MIT · AI Skill Hub 不对第三方内容的准确性作法律背书。