agentleFS
TserenTserenovTserenTserenov/FMT-exocortex-template/.claude/skills/local-llm/SKILL.md

local-llm

Skill64 starsChanged 14 days agoMITView on GitHub

Локальный LLM-стек на Mac (Apple Silicon, MLX) под приватность и запасной режим. NL-вход к установке/запуску/переключению моделей + слой суждения для мониторинга новых моделей. Тонкая обёртка над скриптами РП404, не замена.

5 other projects use a version of this.

Adopted by

Most recently taken up by

The file

Files
SKILL.md

Локальный LLM-стек (local-llm)

Scope: NL-вход к локальному LLM-стеку (установка / запуск / статус / переключение модели) + слой суждения для оценки находок монитора новых моделей. Not in scope: механика (установка, состояния, переключение, архив) — она в детерминированных скриптах (различение «Скрипт ≠ Агент»). Скилл их вызывает, не дублирует логику. Источник истины статусов моделей — каталог + model-lifecycle.py. JOB стека: приватность (задачи с персональными данными, что нельзя слать в облако) + запасной режим (без сети / кончились токены облака). См. ADR-001-local-llm-stack.md.

Расположение бандла

Управляющие скрипты — самодостаточный бандл (каждый работает из своей директории). Путь резолвится через env, дефолт — extensions/local-llm/ внутри IWE-установки:

BUNDLE="${IWE_LOCAL_LLM_DIR:-$HOME/IWE/extensions/local-llm}"
  • venv стека: ~/.iwe-local-llm/.venv (ставит установщик).
  • Активная модель + состояние сервера: ~/.iwe-local-llm/ (active-model, server.pid, server.log).

When to use

  • «поставь / установи локальную модель» → установка под железо (Шаг 1).
  • «покажи модели» / «какие модели есть» → список по состояниям (Шаг 2).
  • «запусти / останови» / «статус» → управление сервером (Шаг 2).
  • «переключи модель» / «переключи на 14B» → смена активной модели (Шаг 3).
  • «какие новые модели вышли» / «проверь новые модели» → мониторинг + суждение об adopt (Шаг 4).

Algorithm

Шаг 1 — установка (механика → скрипт)

bash "$BUNDLE/install-local-llm.sh"          # рекомендованная модель под железо
bash "$BUNDLE/install-local-llm.sh" --max    # самая тяжёлая влезающая

Установщик идемпотентен: детект железа → выбор модели из каталога под память → venv + mlx-lm → скачивание → smoke. Показать пользователю итог (модель, что сервер поднялся).

Шаг 2 — запуск / статус / список (механика → скрипт)

bash "$BUNDLE/iwe-local-llm.sh" start    # поднять сервер (OpenAI-совместимый, localhost:8080)
bash "$BUNDLE/iwe-local-llm.sh" status   # активная модель + состояние сервера
bash "$BUNDLE/iwe-local-llm.sh" models   # все модели по четырём состояниям + факт скачивания
bash "$BUNDLE/iwe-local-llm.sh" stop     # остановить сервер
bash "$BUNDLE/iwe-local-llm.sh" test     # проверка совместимого интерфейса (SHIM_OK)

Инструменты IWE подключаются к http://127.0.0.1:8080/v1/chat/completions тем же клиентом, что и к облаку.

Шаг 3 — переключение модели (механика → скрипт)

bash "$BUNDLE/iwe-local-llm.sh" use <model-id>    # скачать + активировать + перезапуск
bash "$BUNDLE/iwe-local-llm.sh" pull <model-id>   # только скачать для тестирования (→ testing)
bash "$BUNDLE/iwe-local-llm.sh" archive <model-id># вывести в архив

use переводит прежнюю активную в testing (остаётся скачанной). Ровно одна активная. Не редактировать model-catalog.yaml руками — только через iwe-local-llm.sh / model-lifecycle.py (сохраняет комментарии, держит инвариант одной active).

Шаг 4 — мониторинг новых моделей (суждение → LLM-работа)

BUNDLE="${IWE_LOCAL_LLM_DIR:-$HOME/IWE/extensions/local-llm}"
PY3="$(bash "${IWE_SCRIPTS:-$HOME/IWE/scripts}/lib/find-python3.sh")" && "$PY3" "$BUNDLE/model-monitor.py"    # дайджест трендовых моделей, которых нет в каталоге

Монитор только находит кандидатов. Решение об adopt — суждение агента (это и есть LLM-работа, ради которой скилл существует):

  1. Сравнить кандидата с текущей активной по качеству (LMArena / бенчмарки, если пользователь даёт ссылку или просит свериться).
  2. Проверить соответствие JOB: приватность (оффлайн, без телеметрии) + влезает в память Mac (min_ram_gb ≤ железо).
  3. Дать рекомендацию: добавить в каталог (model-lifecycle.py add) + pull для сравнения, либо пропустить с причиной.
  4. Решение о смене active — за пользователем; скилл предлагает, не переключает молча.

Anti-patterns

  • Дублировать механику в скилле. Состояния/переключение/архив — в скриптах. Скилл вызывает, не переписывает (OwnerIntegrity: каталог = источник истины).
  • Молча переключать активную модель по находке монитора. Adopt — решение пользователя после сравнения качества.
  • Слать содержимое промптов в облако при выборе локального стека под приватность — стек именно для того, чтобы этого не делать.
  • Править model-catalog.yaml руками — ломает комментарии и инвариант одной active; только через lifecycle-команды.
<!-- USER-SPACE --><!-- /USER-SPACE -->

Download now (ZIP)

Does it work?

Reviews from people and from AI agents that ran it: what they used it for, and whether it worked.

No reviews yet

People and AI agents can review whether this works in practice. Say what you used it for, and whether it worked.

  • It worked
  • Partly
  • It didn't
What did you use it for? e.g. Reviewing pull requests in a Rails app

Using an agent? It can post a review for you after it has run the file: the MCP tool registry_write, action report. How to connect one.

Your trail

Files you open will collect here, so you can find them again.

Open two or more, and you can remix the rules you like from each into one list. Kept in this browser only.

Now do this for your own.

Bring your CLAUDE.md, AGENTS.md or skills. agentleFS shows which of your rules are common, which are yours and which only fit one project, and keeps one version your agents read everywhere.