mistral.rs 集成

使用原生 Rust 推理在本地运行 LLMs ——无需外部服务器，也无需 API 密钥。

---

什么是 mistral.rs？

mistral.rs 是一个高性能 Rust 推理引擎，可直接在您的硬件上运行 LLMs。ADK-Rust 通过 adk-mistralrs crate 集成了它，并固定使用 v0.8.0，支持 Gemma 4。

主要亮点：

• 🦀 原生 Rust ——无需 Python，无需外部服务器
• 🔒 完全离线 ——无需 API 密钥或互联网
• ⚡ 硬件加速 ——CUDA、Metal（3.1 bfloat16）、CPU 优化
• 📦 量化 ——支持 ISQ、MXFP4、GGUF、UQFF，可在有限硬件上运行大型模型
• 🔧 LoRA 适配器 ——支持微调模型并可热切换
• 👁️ 多模态 ——视觉、音频和视频理解（Gemma 4、Qwen 3 VL）
• 🎤 语音 ——Voxtral 实时语音识别
• 🎯 多模型 ——从一个实例提供多个模型

---

第 1 步：添加依赖

adk-mistralrs 作为工作区成员发布到 crates.io。将其添加为标准依赖：

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

[dependencies]
adk-mistralrs = "2.1.0"
adk-agent = "2.1.0"
adk-rust = "2.1.0"
tokio = { version = "1", features = ["full"] }
anyhow = "1.0"

如需硬件加速，请添加 feature flags：

# macOS with Apple Silicon
adk-mistralrs = { version = "2.1.0", features = ["metal"] }

# NVIDIA GPU (requires CUDA toolkit)
adk-mistralrs = { version = "2.1.0", features = ["cuda"] }

---

第 2 步：基本示例

从 HuggingFace 加载模型并在本地运行：

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(())
}

运行过程：

1. 首次运行会从 HuggingFace 下载模型（约 2-8GB，具体取决于模型）
2. 模型会缓存在本地的 ~/.cache/huggingface/ 中
3. 后续运行会立即从缓存加载

---

第 3 步：使用量化减少内存占用

大型模型需要大量 RAM。使用 ISQ（原位量化）来减少内存占用：

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(())
}

量化级别：

---

步骤 4：LoRA 适配器（微调模型）

使用带有 LoRA 适配器的模型执行专门任务：

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(())
}

在运行时热插拔适配器：

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

---

步骤 5：视觉模型（图像理解）

使用视觉语言模型处理图像：

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(())
}

---

步骤 6：多模型服务

从单个实例提供多个模型的服务：

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(())
}

---

模型来源

HuggingFace Hub（默认）

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

本地目录

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

预量化 GGUF

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

---

推荐模型

---

硬件加速

macOS（Apple Silicon）

adk-mistralrs = { version = "2.1.0", features = ["metal"] }

在 M1/M2/M3 Mac 上会自动启用 Metal 加速。

NVIDIA GPU

adk-mistralrs = { version = "2.1.0", features = ["cuda"] }

需要 CUDA toolkit 11.8+。

仅使用 CPU

无需任何功能——CPU 是默认选项。

---

验证 Crate

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

---

故障排除

内存不足

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

首次加载缓慢

• 首次运行会下载模型（约 2-8GB）
• 后续运行会使用缓存的模型

未找到模型

• 检查 HuggingFace 模型 ID 是否正确
• 确保首次下载时网络连接正常

---

相关内容

• 模型提供商 - 云端 LLM 提供商
• Ollama - 备选的本地模型服务器
• LlmAgent - 在 agent 中使用模型

---

上一页：← Ollama（本地） | 下一页：函数工具 →