背景：需要在完全离线的国产 Linux（老版本 glibc）服务器上完成 llama.cpp CUDA 版本编译。 限制条件：1. 无 root 权限 2. 无 yum/apt 3. 无在线下载。 坑1：系统 GCC 版本过低 解决方案：使用 conda-forge 构建 GCC11 环境，通过 conda-pack 打包后在离线服务器使用 conda create -n gcc11 gcc=11 gxx=11 conda-pack 打包后解压使用 注意点：需要显式指定编译器，否则 CMake 可能仍使用系统 gcc export CC=$CONDA_PREFIX/bin/x86_64-conda-linux-gnu-gcc export CXX=$CONDA_PREFIX/bin/x86_64-conda-linux-gnu-g++ 坑2：libcuda.so.1 找不到 本质：不是驱动损坏或 CUDA 未安装，而是 CUDA 链接阶段缺少 -lcuda 对应的开发库 解决方案：使用 CUDA Toolkit 中的 stub 库进行链接阶段补全 /usr/local/cuda/lib64/stubs/libcuda.so 配置方式： export LIBRARY_PATH=/usr/local/cuda/lib64/stubs:$LIBRARY_PATH 说明：该方式仅用于编译链接阶段，不参与运行时加载，运行时仍依赖系统 NVIDIA driver 坑3：GLIBC 版本不满足 错误处理建议：不要尝试升级系统 glibc、不要替换 /lib64/libc.so，这类操作风险极高，可能导致系统直接不可用 解决方案：使用 conda 提供的用户态动态链接器绕过系统 glibc $CONDA_ENV/lib/ld-linux-x86-64.so.2 --library-path $CONDA_ENV/lib ./llama-server 原理说明：不是替换系统 glibc，而是直接使用 conda 的 ELF interpreter 启动程序，使程序运行在 conda 用户态运行时环境中 整体方案如下： GCC11（Conda toolchain） CUDA stubs（解决 libcuda 链接问题） Conda glibc runtime（解决运行时兼容问题） 最终在完全离线国产服务器环境中成功编译并运行 llama.cpp CUDA 版本。 1 个帖子 - 1 位参与者 阅读完整话题
code x 配合 Ollama、llama.cpp 接入本地大模型，理论Token 自由，直接把电脑卡死了，需要什么基础设备才能流畅运行呢？ mbp m5 16G 1tb 1 个帖子 - 1 位参与者 阅读完整话题
今天清理C盘发现Microsoft\vscode-cpptools路径下大量的缓存。 VS Code C/C++ 扩展给各个工程生成的索引缓存。竟然缓存了几十个G，之前一直没注意。各位佬友的是否也很大呢。 2 个帖子 - 2 位参与者 阅读完整话题
llama.cpp 搭建本地模型 使用llama.cpp 搭建本地模型。具体来说，就是在本地终端电脑跑上自己的模型。 能跑什么模型，多大的模型，要根据自己的电脑配置，配置越高，跑的越大；显卡+内存 为啥能跑？ 把模型塞到内存中了，所以没显卡也能跑，但就是慢。 b的单位补充。 1B = 10亿参数 。 通常看到模型8b,啥意思呢，就是模型参数是80亿；deepseek v4 pro ，1.6万亿参数，也就是1.6T； v4-pro 是284B deepseek目前都是MoE 架构，就是比如dddddddd v4-pro 284b参数，每次chat不是全部都调用，而只是调用激活的参数，激活13B，就是130亿参数。 MOE是把所有的参数都放到内从中，因为显存太大了，一般8B *2 要16G 的显卡，那么284B要多大呢？ 1.6T要多大呢？所以绝大多数都放在内存中不激活，激活的就是公共参数比如13B。然后根据公共参数，去调用需要的在内从的专家参数。 1.下载llama.cpp 这里下载对应电脑的版本 https://github.com/ggml-org/llama.cpp/releases 2 下载自己电脑所能够配置的模型 2.1 模型下载的地址 Hugging Face DeepSeek-V4 - a deepseek-ai Collection 魔搭社区 (ModelScope)- 国内的 ModelScope - 模型列表页 2.2 下载模型 一般现在xxx Q4_K_M.gguf， 比如 Qwen3.5-9B-Q4_K_M.gguf 因为这个模型是量化过的，9B的模型一般16精度要18G的显卡，但是量化过了，就只需要5到6G显卡，比这个高，需要的显卡要大，比这个低，模型就变傻了；结论这个就是最高性价比 如上的文件都不能少。但是在官网有很多文件，量化的很多，下载下来浪费时间和磁盘，所以选择适合自己的。 如何让模型和llma.cpp 在终端上跑起来呢？ .\llama-cli.exe -m "C:\xxxx\Qwen\Jackrong\Qwen3.5-4B-Claude-4.6-Opus-Reasoning-Distilled-GGUF\Qwen3.5-4B.Q4_K_S.gguf" -n 2048 -ngl 15 命令分解 参数 值 含义 .\llama-cli.exe - 当前目录下的 llama-cli 可执行文件（llama.cpp 的 CLI 工具） -m "C:\xxxx\Qwen\Jackrong\Qwen3.5-4B-Claude-4.6-Opus-Reasoning-Distilled-GGUF\Qwen3.5-4B.Q4_K_S.gguf" 指定模型文件路径（一个经过 GGUF 量化、蒸馏处理的 Qwen3.5 模型） -n 2048 生成的最大 token 数量（最多生成 2048 个新 token） -ngl 15 GPU 层数 ：将模型的前 15 层加载到 GPU 中运行，剩余层在 CPU 上运行 实际效果 总结： 其实，这个就是一个思路，如何在本地搭建自己的大模型。主要受限制的是硬件，如果硬件给力，24G显卡+500G内存，可以把deepseekv4-falsh 搭建在自己电脑上，想想多快乐，再也不用愁tokens了。 文章分析的内容，其实不难，一步步在ai的帮助下都可以自己实现，如有不懂，随时发问。如有不对，请多指教包含。 6 个帖子 - 4 位参与者 阅读完整话题
下载链接（中文）： chm包: https://github.com/myfreeer/cppreference2mshelp/releases/download/2026.05/cppreference-zh-20260502.chm html包： https://github.com/myfreeer/cppreference2mshelp/releases/download/2026.05/html-book-20260502.7z 此链接在cppreference中文网站上也可见 在维护了一年以后，cppreference恢复了更新，内容上应该没有太大变化，但是大量的静态资源缺失，使用上一版中提取的资源补全。 前情提要： https://linux.do/t/topic/1004144 上一版锁定了不能编辑，也不能回复： [0404更新]C/C++ 参考文档（cppreference）离线中文版 chm/html 资源荟萃 上一版锁定了不能编辑 来源： https://zh.cppreference.com/w/首页 更新日期： 2025.4.04 下载： cppreference-zh-20250404.chm html-book-20250404.7z 其他文件（ chm 工程文件 Qt 帮助手册 和 未处理归档 ） 所有版本 制作脚本 声明：与cppreference网站及运营方无利益相关，仅提供资源下载，下载后的资源完全离线可用 1 个帖子 - 1 位参与者 阅读完整话题
目前是28届川渝地区末2计算机硕本科比较垃（学院本），然后最初的就业方向是打算做cpp的，但是今年听一个朋友说的互联网的cpp太牢了。想问一下转Go的意见，个人是acm选手，虽然本科每打出什么好的成绩，但是还是一直在用cpp的，目前有两段cpp相关的实习经验，一段是搞工业自动化的，干了几个月我也不知道在干啥哈哈，偷了点产出就结束了。然后第二段是做国产芯片修补软件的，在这里学的了很多东西。但是感觉越学越不对，越学越偏离互联网，因为公司底层主要是做一些集成电路相关的内容的。像是互联网相关技术栈，例如消息队列，Mysql，Redis，k8s这一些都不太涉及，导致感觉路越走越偏了，请佬友给一些建议，未来还是想往互联网行业走的 1 个帖子 - 1 位参与者 阅读完整话题
前置条件：5070ti 16g ，llama.cpp ，全跑在显存。 1. 跑 gemma4 26b a4b iq4_xs 量化（ MoE 结构） 速度大概是 120t/s-150t/s ，首 token 和后续输出都很快 2. 跑 devstral small2 24b q4_k_m 量化 （稠密结构） 速度大概是 8t/s-10t/s ，首 token 可能很慢，整体输出都慢得多。 思考： 现在的模型有两种结构：稠密（ Dense ）和 MoE （混合专家模型）。 以上述两种模型举例 稠密模型是所有层（ dev 这个有 40 层）都参与计算，消耗 24b 的完整算力，也就是单 token 2x24b=48gflops （不算量化），算力消耗大，推理成本高。 moe 是总共 26b 参数，每次推理只激活 4b 参数，只消耗激活参数 4b 的算力，单 token 算力消耗 2x4=8gflops ，算力消耗小很多，但有 26b 的参数（知识）。gemma 这个有 128 个专家，每次激活 8 个专家和 1 个共享专家（所有 token 必须首先经过共享专家），moe 模型是通过动态路由判断选择专家的。 可以看出算力需求差异巨大。 常见的几个顶级开源模型 glm5.1 参数 754b 激活 40b deepseek-v4 pro 参数 1.6t 激活 49b v4 flash 参数 284b 激活 13b minimax2.5 参数 229b 激活 10b moe 模型虽然每次激活的参数少，但必须把完整参数都全量加载到显存中。也就是说算力消耗大大减少，但显存需求没变。 可以大概推测，顶级大模型以后可能只有 moe 结构了，参数小的可能有稠密架构，因为算力成本还尚可接受，参数量很大的稠密结构，恐怕算力成本高到厂商也难以商用吧。 本地部署，我看来推理速度有 40-50token/s ，基本可以自用了，这是一个及格线。 我看来有两种比较好的本地部署方案 1. 买 nv 工作站显卡，pro6000 96g 咸鱼 6w 多，pro6000d 84g （显存没 ecc ，整体比 6000 略差）咸鱼 4w ，pro5000 84g 这种。 2. 用同等价钱稍微低点，等 m5 pro 的 mac mini/studio 发布后购买。 改显存，矿卡，二手的很久的专业卡等就不讨论了，不懂这部分。 mac 跑推理，olmx 官网我看了模型推理速度排行榜，还是差了点，不知道 4w 价钱的 m5 pro 的 mac mini/studio 会不会明显提高。 还有就是比如双 5070ti 跑模型推理，不知道速度怎么样，价钱相对不贵。我用的是 ddr4 pcie 4.0 的主板，双显卡要 pcie 拆分 8x8 ，pcie5.0 肯定更好，我得换主板换内存，成本太高，没法测试，如果内存没这么贵，就换主板买内存搞个 5060ti 16g 来测试了，这个可能也是一种方案吧。
前置条件：5070ti 16g ，llama.cpp ，全跑在显存。 1. 跑 gemma4 26b a4b iq4_xs 量化（ MoE 结构） 速度大概是 120t/s-150t/s ，首 token 和后续输出都很快 2. 跑 devstral small2 24b q4_k_m 量化 （稠密结构） 速度大概是 8t/s-10t/s ，首 token 可能很慢，整体输出都慢得多。 思考： 现在的模型有两种结构：稠密（ Dense ）和 MoE （混合专家模型）。 以上述两种模型举例 稠密模型是所有层（ dev 这个有 40 层）都参与计算，消耗 24b 的完整算力，也就是单 token 2x24b=48gflops （不算量化），算力消耗大，推理成本高。 moe 是总共 26b 参数，每次推理只激活 4b 参数，只消耗激活参数 4b 的算力，单 token 算力消耗 2x4=8gflops ，算力消耗小很多，但有 26b 的参数（知识）。gemma 这个有 128 个专家，每次激活 8 个专家和 1 个共享专家（所有 token 必须首先经过共享专家），moe 模型是通过动态路由判断选择专家的。 可以看出算力需求差异巨大。 常见的几个顶级开源模型 glm5.1 参数 754b 激活 40b deepseek-v4 pro 参数 1.6t 激活 49b v4 flash 参数 284b 激活 13b minimax2.5 参数 229b 激活 10b moe 模型虽然每次激活的参数少，但必须把完整参数都全量加载到显存中。也就是说算力消耗大大减少，但显存需求没变。 可以大概推测，顶级大模型以后可能只有 moe 结构了，参数小的可能有稠密架构，因为算力成本还尚可接受，参数量很大的稠密结构，恐怕算力成本高到厂商也难以商用吧。 本地部署，我看来推理速度有 40-50token/s ，基本可以自用了，这是一个及格线。 我看来有两种比较好的本地部署方案 1. 买 nv 工作站显卡，pro6000 96g 咸鱼 6w 多，pro6000d 84g （显存没 ecc ，整体比 6000 略差）咸鱼 4w ，pro5000 84g 这种。 2. 用同等价钱稍微低点，等 m5 pro 的 mac mini/studio 发布后购买。 改显存，矿卡，二手的很久的专业卡等就不讨论了，不懂这部分。 mac 跑推理，olmx 官网我看了模型推理速度排行榜，还是差了点，不知道 4w 价钱的 m5 pro 的 mac mini/studio 会不会明显提高。 还有就是比如双 5070ti 跑模型推理，不知道速度怎么样，价钱相对不贵。我用的是 ddr4 pcie 4.0 的主板，双显卡要 pcie 拆分 8x8 ，pcie5.0 肯定更好，我得换主板换内存，成本太高，没法测试，如果内存没这么贵，就换主板买内存搞个 5060ti 16g 来测试了，这个可能也是一种方案吧。
前置条件：5070ti 16g ，llama.cpp ，全跑在显存。 1. 跑 gemma4 26b a4b iq4_xs 量化（ MoE 结构） 速度大概是 120t/s-150t/s ，首 token 和后续输出都很快 2. 跑 devstral small2 24b q4_k_m 量化 （稠密结构） 速度大概是 8t/s-10t/s ，首 token 可能很慢，整体输出都慢得多。 思考： 现在的模型有两种结构：稠密（ Dense ）和 MoE （混合专家模型）。 以上述两种模型举例 稠密模型是所有层（ dev 这个有 40 层）都参与计算，消耗 24b 的完整算力，也就是单 token 2x24b=48gflops （不算量化），算力消耗大，推理成本高。 moe 是总共 26b 参数，每次推理只激活 4b 参数，只消耗激活参数 4b 的算力，单 token 算力消耗 2x4=8gflops ，算力消耗小很多，但有 26b 的参数（知识）。gemma 这个有 128 个专家，每次激活 8 个专家和 1 个共享专家（所有 token 必须首先经过共享专家），moe 模型是通过动态路由判断选择专家的。 可以看出算力需求差异巨大。 常见的几个顶级开源模型 glm5.1 参数 754b 激活 40b deepseek-v4 pro 参数 1.6t 激活 49b v4 flash 参数 284b 激活 13b minimax2.5 参数 229b 激活 10b moe 模型虽然每次激活的参数少，但必须把完整参数都全量加载到显存中。也就是说算力消耗大大减少，但显存需求没变。 可以大概推测，顶级大模型以后可能只有 moe 结构了，参数小的可能有稠密架构，因为算力成本还尚可接受，参数量很大的稠密结构，恐怕算力成本高到厂商也难以商用吧。 本地部署，我看来推理速度有 40-50token/s ，基本可以自用了，这是一个及格线。 我看来有两种比较好的本地部署方案 1. 买 nv 工作站显卡，pro6000 96g 咸鱼 6w 多，pro6000d 84g （显存没 ecc ，整体比 6000 略差）咸鱼 4w ，pro5000 84g 这种。 2. 用同等价钱稍微低点，等 m5 pro 的 mac mini/studio 发布后购买。 改显存，矿卡，二手的很久的专业卡等就不讨论了，不懂这部分。 mac 跑推理，olmx 官网我看了模型推理速度排行榜，还是差了点，不知道 4w 价钱的 m5 pro 的 mac mini/studio 会不会明显提高。 还有就是比如双 5070ti 跑模型推理，不知道速度怎么样，价钱相对不贵。我用的是 ddr4 pcie 4.0 的主板，双显卡要 pcie 拆分 8x8 ，pcie5.0 肯定更好，我得换主板换内存，成本太高，没法测试，如果内存没这么贵，就换主板买内存搞个 5060ti 16g 来测试了，这个可能也是一种方案吧。
前置条件：5070ti 16g ，llama.cpp ，全跑在显存。 1. 跑 gemma4 26b a4b iq4_xs 量化（ MoE 结构） 速度大概是 120t/s-150t/s ，首 token 和后续输出都很快 2. 跑 devstral small2 24b q4_k_m 量化 （稠密结构） 速度大概是 8t/s-10t/s ，首 token 可能很慢，整体输出都慢得多。 思考： 现在的模型有两种结构：稠密（ Dense ）和 MoE （混合专家模型）。 以上述两种模型举例 稠密模型是所有层（ dev 这个有 40 层）都参与计算，消耗 24b 的完整算力，也就是单 token 2x24b=48gflops （不算量化），算力消耗大，推理成本高。 moe 是总共 26b 参数，每次推理只激活 4b 参数，只消耗激活参数 4b 的算力，单 token 算力消耗 2x4=8gflops ，算力消耗小很多，但有 26b 的参数（知识）。gemma 这个有 128 个专家，每次激活 8 个专家和 1 个共享专家（所有 token 必须首先经过共享专家），moe 模型是通过动态路由判断选择专家的。 可以看出算力需求差异巨大。 常见的几个顶级开源模型 glm5.1 参数 754b 激活 40b deepseek-v4 pro 参数 1.6t 激活 49b v4 flash 参数 284b 激活 13b minimax2.5 参数 229b 激活 10b moe 模型虽然每次激活的参数少，但必须把完整参数都全量加载到显存中。也就是说算力消耗大大减少，但显存需求没变。 可以大概推测，顶级大模型以后可能只有 moe 结构了，参数小的可能有稠密架构，因为算力成本还尚可接受，参数量很大的稠密结构，恐怕算力成本高到厂商也难以商用吧。 本地部署，我看来推理速度有 40-50token/s ，基本可以自用了，这是一个及格线。 我看来有两种比较好的本地部署方案 1. 买 nv 工作站显卡，pro6000 96g 咸鱼 6w 多，pro6000d 84g （显存没 ecc ，整体比 6000 略差）咸鱼 4w ，pro5000 84g 这种。 2. 用同等价钱稍微低点，等 m5 pro 的 mac mini/studio 发布后购买。 改显存，矿卡，二手的很久的专业卡等就不讨论了，不懂这部分。 mac 跑推理，olmx 官网我看了模型推理速度排行榜，还是差了点，不知道 4w 价钱的 m5 pro 的 mac mini/studio 会不会明显提高。 还有就是比如双 5070ti 跑模型推理，不知道速度怎么样，价钱相对不贵。我用的是 ddr4 pcie 4.0 的主板，双显卡要 pcie 拆分 8x8 ，pcie5.0 肯定更好，我得换主板换内存，成本太高，没法测试，如果内存没这么贵，就换主板买内存搞个 5060ti 16g 来测试了，这个可能也是一种方案吧。
前置条件：5070ti 16g ，llama.cpp ，全跑在显存。 1. 跑 gemma4 26b a4b iq4_xs 量化（ MoE 结构） 速度大概是 120t/s-150t/s ，首 token 和后续输出都很快 2. 跑 devstral small2 24b q4_k_m 量化 （稠密结构） 速度大概是 8t/s-10t/s ，首 token 可能很慢，整体输出都慢得多。 思考： 现在的模型有两种结构：稠密（ Dense ）和 MoE （混合专家模型）。 以上述两种模型举例 稠密模型是所有层（ dev 这个有 40 层）都参与计算，消耗 24b 的完整算力，也就是单 token 2x24b=48gflops （不算量化），算力消耗大，推理成本高。 moe 是总共 26b 参数，每次推理只激活 4b 参数，只消耗激活参数 4b 的算力，单 token 算力消耗 2x4=8gflops ，算力消耗小很多，但有 26b 的参数（知识）。gemma 这个有 128 个专家，每次激活 8 个专家和 1 个共享专家（所有 token 必须首先经过共享专家），moe 模型是通过动态路由判断选择专家的。 可以看出算力需求差异巨大。 常见的几个顶级开源模型 glm5.1 参数 754b 激活 40b deepseek-v4 pro 参数 1.6t 激活 49b v4 flash 参数 284b 激活 13b minimax2.5 参数 229b 激活 10b moe 模型虽然每次激活的参数少，但必须把完整参数都全量加载到显存中。也就是说算力消耗大大减少，但显存需求没变。 可以大概推测，顶级大模型以后可能只有 moe 结构了，参数小的可能有稠密架构，因为算力成本还尚可接受，参数量很大的稠密结构，恐怕算力成本高到厂商也难以商用吧。 本地部署，我看来推理速度有 40-50token/s ，基本可以自用了，这是一个及格线。 我看来有两种比较好的本地部署方案 1. 买 nv 工作站显卡，pro6000 96g 咸鱼 6w 多，pro6000d 84g （显存没 ecc ，整体比 6000 略差）咸鱼 4w ，pro5000 84g 这种。 2. 用同等价钱稍微低点，等 m5 pro 的 mac mini/studio 发布后购买。 改显存，矿卡，二手的很久的专业卡等就不讨论了，不懂这部分。 mac 跑推理，olmx 官网我看了模型推理速度排行榜，还是差了点，不知道 4w 价钱的 m5 pro 的 mac mini/studio 会不会明显提高。 还有就是比如双 5070ti 跑模型推理，不知道速度怎么样，价钱相对不贵。我用的是 ddr4 pcie 4.0 的主板，双显卡要 pcie 拆分 8x8 ，pcie5.0 肯定更好，我得换主板换内存，成本太高，没法测试，如果内存没这么贵，就换主板买内存搞个 5060ti 16g 来测试了，这个可能也是一种方案吧。
从去年 gcc 15.1 初步支持 import std 开始, 我就在 C++的模块化上做了很多实践 前段时间, 突然产生了以 C++23 模块化为基础, 实现一个现代 C++模块化项目的构建工具 。并以其能用自己从源码构建出自己也就是所谓的 自举来做为初步目标 , 目前这个目标已经实现 欢迎对现代 C++和模块化感兴趣的朋友来用, mcpp 构建工具使用模块化特性 玩一玩或开发开发小项目 也欢迎大家来反馈和交流 开源仓库: https://github.com/mcpp-community/mcpp mcpp 一个 现代 C++ 模块化构建工具 — 纯 C++23 模块编写，已实现自举 核心特性 C++23 模块原生支持 — import std 自动处理，文件级增量构建，模块依赖自动分析，零手动配置 纯模块化自举 — mcpp 自身由 43+ 个 C++23 模块组成，用自己构建自己，模块系统经实战验证 开箱即用 — 一条命令安装，内置 GCC 16 / LLVM 20 工具链，自动下载到隔离沙盒，不污染系统 集成依赖管理 — SemVer 约束解析、锁文件、跨项目 BMI 缓存、自定义包索引 多包工作空间 — Workspace 统一锁文件与版本管理，适合大型项目 为什么选择 mcpp ? mcpp 专门为 C++23 模块化开发 打造。如果你想在项目中使用 import std 、模块接口单元（ .cppm ）、模块分区等现代 C++ 特性，mcpp 在 Linux 上能为你提供便捷且友好的开发体验： 默认模块化 — mcpp new 创建的项目模板直接使用 C++23 模块， import std 开箱即用 文件级增量构建 — 基于 P1689 dyndep 的三层优化（前端脏检查 + 逐文件扫描 + BMI restat ），只重编真正变化的模块 一键创建 & 构建 — mcpp new hello && cd hello && mcpp build ，工具链自动安装，无需手动配置编译器和构建系统 模块化生态 — mcpplibs 提供一系列可直接 import 的 C++ 模块化库，支持自定义包索引 注: 早期版本 — mcpp 仍在积极开发中，接口和行为可能在后续版本调整。 欢迎对现代 C++ 模块化构建工具感兴趣的开发者 参与贡献 。 问题 / 反馈 / 想法欢迎在 issues 留言。 快速开始 安装 方式一：使用 xlings 安装（推荐） xlings install mcpp -y 方式二：一键安装脚本 curl -fsSL https://github.com/mcpp-community/mcpp/releases/latest/download/install.sh | bash 安装到 ~/.mcpp/ ，自动加进 shell PATH 。删除 ~/.mcpp 即可干净卸载。 方式三：让 AI 助手帮你安装 将以下提示词复制给你的 AI 编码助手（ Claude Code / Cursor / Copilot 等）： 阅读 https://github.com/mcpp-community/mcpp 的 README ， 帮我安装 mcpp 并创建一个 C++23 模块项目，构建并运行。 项目的 .agents/skills/mcpp-usage/SKILL.md 有详细的使用指南。 创建项目 & 构建运行 mcpp new hello cd hello mcpp build mcpp run 注：首次构建会初始化环境并获取工具链，可能需要一些时间。 项目结构 hello/ ├── mcpp.toml ← 工程描述 └── src/ └── main.cpp ← import std; 直接可用 # mcpp.toml [package] name = "hello" [targets.hello] kind = "bin" main = "src/main.cpp" 使用模块化库 在 mcpp.toml 中添加两行依赖，即可引用 mcpplibs 社区模块化库： [dependencies] cmdline = "0.0.2" 然后在代码中直接 import ： import mcpplibs.cmdline; 更多依赖配置方式（版本约束、命名空间、Git 引用、本地路径等）参见 mcpp.toml 指南 — 依赖管理 。 平台支持 OS / arch GCC (glibc) GCC (musl) Clang / LLVM MSVC Linux x86_64 ✅ ✅ 默认 ✅ — Linux aarch64 🔄 🔄 🔄 — macOS — — 🔄 — Windows — — 🔄 🔄 ✅ 已支持 ｜ 🔄 计划中 默认 ：release 二进制走 musl 全静态，Linux x86_64 可直接运行，无 glibc 依赖。 文档 快速开始 — 5 分钟完成 install → new → build → run 示例项目 发布打包 工具链管理 从源码构建 mcpp.toml 指南 工作空间 任意命令的完整选项可通过 mcpp <cmd> --help 查阅。 AI 辅助学习 ：你可以将以下提示词发给 AI 编码助手，让它帮你快速了解 mcpp： 阅读 https://github.com/mcpp-community/mcpp 仓库的 .agents/skills/mcpp-usage/SKILL.md 和 docs/ 目录下的文档， 告诉我如何用 mcpp 创建一个带依赖的 C++23 模块项目。 参与贡献 欢迎通过 Issue 和 PR 参与项目开发。项目接受开发者使用 AI Agent 参与开发与贡献。 基本流程 创建 Issue — Bug 修复、新功能、优化等，先在 issues 创建讨论 实现改动 — Fork 仓库，创建分支，实现并验证（ mcpp build + E2E 测试） 提交 PR — 使用 gh pr create ，确保 CI 通过 CI 必须通过 — CI 不通过的 PR 不会被合入 提交信息规范 ： feat: / fix: / test: / docs: / refactor: 前缀 AI Agent 贡献 ：项目的 .agents/skills/mcpp-contributing/SKILL.md 提供了完整的 Agent 贡献流程和项目结构说明。将以下提示词发给 AI 助手即可： 阅读 https://github.com/mcpp-community/mcpp 仓库的 .agents/skills/mcpp-contributing/SKILL.md ， 按照指南帮我给 mcpp 项目提交一个贡献。 社区 & 生态 社区论坛 — 交流群 (Q: 1067245099) mcpp-index — 默认包索引 mcpplibs — 模块化 C++ 库集合 致谢 项目依赖和灵感来源： xlings — 工具链 / 包管理底座 mcpplibs.cmdline — CLI 框架 ninja — 底层构建引擎 xmake — 跨平台构建工具 cargo — Rust 包管理器
本帖使用社区开源推广，符合推广要求。我申明并遵循社区要求的以下内容： 我的帖子已经打上 开源推广 标签： 是 我的开源项目完整开源，无未开源部分： 是 我的开源项目已链接认可 LINUX DO 社区： 是 我帖子内的项目介绍，AI生成、润色内容部分已截图发出： 是 以上选择我承诺是永久有效的，接受社区和佬友监督： 是 以下为项目介绍正文内容，AI生成、润色内容已使用截图方式发出 rt,可以非常方便地管理多个llama.cpp启动配置和监测资源，还支持自定义参数来适应不同llama.cpp分支的功能，比如turboquant、Dflash等。 同时对比LM Studio等，只是个轻量级外壳，不会造成性能损失 欢迎各位佬友试用，有Star就更好了 github.com GitHub - RyensX/LlamaCppHub 通过在 GitHub 上创建帐户来为 RyensX/LlamaCppHub 开发做出贡献。 我这边也整合了一些不同功能的分支和一键构建代码，需要的也可以看下 github.com GitHub - RyensX/windows_llama.cpp: PowerShell automation to rebuild llama.cpp for a... PowerShell automation to rebuild llama.cpp for a Windows environment. 1 个帖子 - 1 位参与者 阅读完整话题
https://github.com/antirez/llama.cpp-deepseek-v4-flash
https://github.com/antirez/llama.cpp-deepseek-v4-flash
https://github.com/antirez/llama.cpp-deepseek-v4-flash
https://github.com/antirez/llama.cpp-deepseek-v4-flash
https://github.com/antirez/llama.cpp-deepseek-v4-flash
https://github.com/antirez/llama.cpp-deepseek-v4-flash
https://github.com/antirez/llama.cpp-deepseek-v4-flash