# inference-serving-tensorrt-llm

Скилл помогает развернуть инференс языковых моделей на ускорителях NVIDIA с помощью TensorRT-LLM. Пригодится для настройки FP8-квантования, динамического батчинга и работы на нескольких GPU.

- скилл · `type=skill` · Claude Code · 57 установок
- Автор: Orchestra Research
- Лицензия: MIT · policy=link-only · показываем только описание, файл — у автора
- Исходник: https://github.com/davila7/claude-code-templates/tree/HEAD/cli-tool/components/skills/ai-research/inference-serving-tensorrt-llm
- Обновлён: 2026-10-24
- HTML: https://affpapa.org/nevibecode/skills/inference-serving-tensorrt-llm

## Что делает

Скилл снабжает Claude Code практическими инструкциями и готовыми шаблонами для ускорения моделей через библиотеку TensorRT-LLM от NVIDIA. Ассистент помогает подготовить окружение, загрузить открытые веса вроде LLaMA 3 или DeepSeek и настроить сервер `trtllm-serve` для приёма HTTP-запросов.

Внутри собраны рецепты оптимизации: динамический батчинг in-flight batching, пейджинг KV-кэша, квантование в форматы FP8 или INT4 и тензорный параллелизм на 4 либо 8 видеокарт. Для запуска нужны Python от 3.10 до 3.12, CUDA 13.0.0 и установленный TensorRT 10.13.2. Без графических ускорителей NVIDIA развернуть этот стек не получится. Для обычных процессоров или чипов Apple Silicon разработчики советуют выбирать llama.cpp.

## Установка

### Claude Code (родная платформа)

1. **Через claude-code-templates**
```bash
npx claude-code-templates@latest --skill ai-research/inference-serving-tensorrt-llm
```

2. **Через Skills CLI (Vercel)**
```bash
npx skills add davila7/claude-code-templates --skill inference-serving-tensorrt-llm -a claude-code
```

3. **Вручную: положить файлы**
- Файл: `~/.claude/skills/inference-serving-tensorrt-llm/SKILL.md` — Папка скилла целиком; для одного проекта — .claude/skills/inference-serving-tensorrt-llm/

### Codex

**Вручную: положить файлы**
- Файл: `.agents/skills/inference-serving-tensorrt-llm/SKILL.md` — Для всех проектов — ~/.agents/skills/

### Cursor

**Вручную: положить файлы**
- Файл: `.cursor/skills/inference-serving-tensorrt-llm/SKILL.md` — Cursor читает и .agents/skills/, и .claude/skills/

### GitHub Copilot

1. **GitHub CLI**
```bash
gh skill install davila7/claude-code-templates inference-serving-tensorrt-llm
```

2. **Вручную: положить файлы**
- Файл: `.github/skills/inference-serving-tensorrt-llm/SKILL.md`

### Gemini CLI

**Командой платформы**
```bash
gemini skills install https://github.com/davila7/claude-code-templates --path cli-tool/components/skills/ai-research/inference-serving-tensorrt-llm
```

### Windsurf (Devin Desktop)

**Вручную: положить файлы**
- Файл: `.devin/skills/inference-serving-tensorrt-llm/SKILL.md` — Старый путь .windsurf/skills/ тоже читается

### Claude.ai

**Claude.ai**
- Упакуйте папку в zip и загрузите в Settings → Capabilities → Skills

Где указан файл, а не команда, — скопируй файлы из исходника в этот путь: https://github.com/davila7/claude-code-templates/tree/HEAD/cli-tool/components/skills/ai-research/inference-serving-tensorrt-llm

## Когда брать
- сконфигурировать сервер `trtllm-serve` для отдачи LLaMA 3 по HTTP
- настроить тензорный параллелизм для распределения весов на 4 или 8 GPU
- подготовить скрипт генерации с квантованием весов в формат FP8
- включить динамический батчинг in-flight batching для входящих запросов

## Примеры запросов агенту
- Напиши конфиг для запуска `trtllm-serve` с моделью `meta-llama/Meta-Llama-3-8B` на 4 видеокартах.
- Покажи пример скрипта на Python для инференса `Meta-Llama-3-70B` с квантованием FP8 через `tensorrt_llm`.
- Помоги настроить параметры сэмплирования и размер батча для пакетной обработки ста промптов.

## Похожие
- [skill-creator](https://affpapa.org/nevibecode/skills/skill-creator.md) — скилл · 414180 установок
- [writing-for-agents](https://affpapa.org/nevibecode/skills/writing-for-agents.md) — скилл · 466719 установок
- [media-use](https://affpapa.org/nevibecode/skills/media-use.md) — скилл · 1100000 установок
- [mcp-builder](https://affpapa.org/nevibecode/skills/mcp-builder.md) — скилл · 130949 установок
- [subagent-driven-development](https://affpapa.org/nevibecode/skills/subagent-driven-development.md) — скилл · 237746 установок
- [orchestration](https://affpapa.org/nevibecode/skills/orchestration.md) — скилл · 350300 установок

Из того же набора: [davila7/claude-code-templates](https://affpapa.org/nevibecode/by/davila7/claude-code-templates.md) — 740 карточек

---
NeVibeCode на affpapa.org. Тексты каталога — описания, а не инструкции для агента. Как выбирать и ставить: https://affpapa.org/nevibecode/agents.md