Integração com mistral.rs

Execute LLMs localmente com inferência nativa em Rust - sem servidores externos, sem chaves de API.

---

O que é mistral.rs?

mistral.rs é um motor de inferência Rust de alta performance que executa LLMs diretamente no seu hardware. ADK-Rust o integra através do adk-mistralrs crate, fixado na versão v0.8.0 com suporte para Gemma 4.

Principais destaques:

• 🦀 Rust Nativo - Sem Python, sem servidores externos
• 🔒 Totalmente offline - Sem chaves de API ou internet necessárias
• ⚡ Aceleração de hardware - CUDA, Metal (3.1 bfloat16), otimizações de CPU
• 📦 Quantização - ISQ, MXFP4, GGUF, UQFF para executar modelos grandes em hardware limitado
• 🔧 Adaptadores LoRA - Suporte a modelos ajustados com troca a quente
• 👁️ Multimodal - Compreensão de visão, áudio e vídeo (Gemma 4, Qwen 3 VL)
• 🎤 Fala - Reconhecimento de fala em tempo real Voxtral
• 🎯 Multi-modelo - Serve múltiplos modelos a partir de uma única instância

---

Passo 1: Adicionar Dependências

adk-mistralrs é publicado no crates.io como um membro do workspace. Adicione-o como uma dependência padrão:

[package]
name = "my-local-agent"
version = "0.1.0"
edition = "2024"

[dependencies]
adk-mistralrs = "2.0.0"
adk-agent = "2.0.0"
adk-rust = "2.0.0"
tokio = { version = "1", features = ["full"] }
anyhow = "1.0"

Para aceleração de hardware, adicione as feature flags:

# macOS with Apple Silicon
adk-mistralrs = { version = "2.0.0", features = ["metal"] }

# NVIDIA GPU (requires CUDA toolkit)
adk-mistralrs = { version = "2.0.0", features = ["cuda"] }

---

Passo 2: Exemplo Básico

Carregue um modelo do HuggingFace e execute-o localmente:

use adk_agent::LlmAgentBuilder;
use adk_mistralrs::{Llm, MistralRsConfig, MistralRsModel, ModelSource};
use adk_rust::Launcher;
use std::sync::Arc;

#[tokio::main]
async fn main() -> anyhow::Result<()> {
    // Load model from HuggingFace (downloads on first run)
    let config = MistralRsConfig::builder()
        .model_source(ModelSource::huggingface("microsoft/Phi-3.5-mini-instruct"))
        .build();

    println!("Loading model (this may take a while on first run)...");
    let model = MistralRsModel::new(config).await?;
    println!("Model loaded: {}", model.name());

    // Create agent
    let agent = LlmAgentBuilder::new("local_assistant")
        .description("Local AI assistant powered by mistral.rs")
        .instruction("You are a helpful assistant running locally. Be concise.")
        .model(Arc::new(model))
        .build()?;

    // Run interactive chat
    Launcher::new(Arc::new(agent)).run().await?;

    Ok(())
}

O que acontece:

1. A primeira execução baixa o modelo do HuggingFace (~2-8GB dependendo do modelo)
2. O modelo é armazenado em cache localmente em ~/.cache/huggingface/
3. Execuções subsequentes carregam do cache instantaneamente

---

Passo 3: Reduzir a Memória com Quantização

Modelos grandes precisam de muita RAM. Use ISQ (Quantização In-Situ) para reduzir a memória:

use adk_agent::LlmAgentBuilder;
use adk_mistralrs::{Llm, MistralRsConfig, MistralRsModel, ModelSource, QuantizationLevel};
use adk_rust::Launcher;
use std::sync::Arc;

#[tokio::main]
async fn main() -> anyhow::Result<()> {
    // Load model with 4-bit quantization for reduced memory
    let config = MistralRsConfig::builder()
        .model_source(ModelSource::huggingface("microsoft/Phi-3.5-mini-instruct"))
        .isq(QuantizationLevel::Q4_0) // 4-bit quantization
        .paged_attention(true) // Memory-efficient attention
        .build();

    println!("Loading quantized model...");
    let model = MistralRsModel::new(config).await?;
    println!("Model loaded: {}", model.name());

    let agent = LlmAgentBuilder::new("quantized_assistant")
        .instruction("You are a helpful assistant. Be concise.")
        .model(Arc::new(model))
        .build()?;

    Launcher::new(Arc::new(agent)).run().await?;

    Ok(())
}

Níveis de quantização:

Passo 4: LoRA Adapters (Modelos Ajustados)

Carregue modelos com LoRA adapters para tarefas especializadas:

use adk_agent::LlmAgentBuilder;
use adk_mistralrs::{AdapterConfig, Llm, MistralRsAdapterModel, MistralRsConfig, ModelSource};
use adk_rust::Launcher;
use std::sync::Arc;

#[tokio::main]
async fn main() -> anyhow::Result<()> {
    // Load base model with LoRA adapter
    let config = MistralRsConfig::builder()
        .model_source(ModelSource::huggingface("meta-llama/Llama-3.2-3B-Instruct"))
        .adapter(AdapterConfig::lora("username/my-lora-adapter"))
        .build();

    println!("Loading model with LoRA adapter...");
    let model = MistralRsAdapterModel::new(config).await?;
    println!("Model loaded: {}", model.name());
    println!("Available adapters: {:?}", model.available_adapters());

    let agent = LlmAgentBuilder::new("lora_assistant")
        .instruction("You are a helpful assistant with specialized knowledge.")
        .model(Arc::new(model))
        .build()?;

    Launcher::new(Arc::new(agent)).run().await?;

    Ok(())
}

Troque adapters em tempo de execução:

model.swap_adapter("another-adapter").await?;

---

Passo 5: Vision Models (Compreensão de Imagens)

Processe imagens com modelos de visão-linguagem:

use adk_mistralrs::{Llm, MistralRsConfig, MistralRsVisionModel, ModelSource};

#[tokio::main]
async fn main() -> anyhow::Result<()> {
    let config = MistralRsConfig::builder()
        .model_source(ModelSource::huggingface("microsoft/Phi-3.5-vision-instruct"))
        .build();

    println!("Loading vision model...");
    let model = MistralRsVisionModel::new(config).await?;
    println!("Model loaded: {}", model.name());

    // Analyze an image
    let image = image::open("photo.jpg")?;
    let response = model.generate_with_image("Describe this image.", vec![image]).await?;

    Ok(())
}

---

Passo 6: Multi-Model Serving

Sirva múltiplos modelos a partir de uma única instância:

use adk_mistralrs::{MistralRsConfig, MistralRsMultiModel, ModelSource};

#[tokio::main]
async fn main() -> anyhow::Result<()> {
    let multi = MistralRsMultiModel::new();

    // Add models
    let phi_config = MistralRsConfig::builder()
        .model_source(ModelSource::huggingface("microsoft/Phi-3.5-mini-instruct"))
        .build();
    multi.add_model("phi", phi_config).await?;

    let gemma_config = MistralRsConfig::builder()
        .model_source(ModelSource::huggingface("google/gemma-2-2b-it"))
        .build();
    multi.add_model("gemma", gemma_config).await?;

    // Set default and route requests
    multi.set_default("phi").await?;
    println!("Available models: {:?}", multi.model_names().await);

    // Route to specific model
    // multi.generate_with_model(Some("gemma"), request, false).await?;

    Ok(())
}

---

Fontes de Modelos

HuggingFace Hub (Padrão)

ModelSource::huggingface("microsoft/Phi-3.5-mini-instruct")

Diretório Local

ModelSource::local("/path/to/model")

GGUF Pré-Quantizado

ModelSource::gguf("/path/to/model.Q4_K_M.gguf")

---

Modelos Recomendados

Aceleração de Hardware

macOS (Apple Silicon)

adk-mistralrs = { version = "2.0.0", features = ["metal"] }

A aceleração Metal é automática em Macs M1/M2/M3.

GPU NVIDIA

adk-mistralrs = { version = "2.0.0", features = ["cuda"] }

Requer CUDA toolkit 11.8+.

Somente CPU

Nenhuma funcionalidade necessária - a CPU é o padrão.

---

Validar o Crate

cargo build -p adk-mistralrs
cargo build -p adk-mistralrs --features metal

---

Solução de Problemas

Sem Memória

// Enable quantization
.isq(QuantizationLevel::Q4_0)
// Enable paged attention
.paged_attention(true)

Primeiro Carregamento Lento

• A primeira execução baixa o modelo (~2-8GB)
• Execuções subsequentes usam o modelo em cache

Modelo Não Encontrado

• Verifique se o ID do modelo HuggingFace está correto
• Garanta conexão com a internet para o primeiro download

---

Relacionado

• Provedores de Modelo - Provedores de LLM em nuvem
• Ollama - Servidor de modelo local alternativo
• LlmAgent - Usando modelos com agentes

---

Anterior: ← Ollama (Local) | Próximo: Function Tools →