К основному содержанию
скилл CX Codex

vllm-server — скилл для Claude Code: что делает и как установить

Развёртывает серверы инференса vLLM с непрерывным батчингом и поддержкой тензорного параллелизма. Пригодится для запуска открытых моделей с API, совместимым с OpenAI.

Установить в Claude Code · Через Skills CLI (Vercel) Все способы и платформы ↓
npx skills add BagelHole/DevOps-Security-Agent-Skills --skill vllm-server -a claude-code
Открыть на GitHub

Что делает vllm-server

Скилл помогает настроить сервер vLLM для обслуживания открытых моделей семейств Llama или Mistral. Внутри собраны готовые шаблоны команд vllm serve, конфигурации docker-compose.yml, параметры для распределения весов на несколько видеокарт и инструкции по снижению расхода памяти через квантование AWQ, GPTQ или FP8.

Инструкция описывает подключение LoRA-адаптеров и структурированный вывод через библиотеку outlines. Бенчмарки пропускной способности запускаются утилитой vllm bench. Нагрузку можно отслеживать напрямую через эндпоинт метрик Prometheus /metrics.

Для запуска обязателен графический процессор NVIDIA с поддержкой CUDA 12.1+ и установленный nvidia-container-toolkit при работе через контейнеры. Моделям на 7B параметров потребуется от 8 ГБ видеопамяти, а для моделей на 70B нужно минимум 40 ГБ VRAM.

Какие задачи решает

  • поднять OpenAI-совместимый API для моделей Llama или Mistral
  • настроить тензорный параллелизм для инференса на нескольких GPU
  • снизить потребление видеопамяти с помощью квантования AWQ или GPTQ
  • подключить LoRA-адаптеры и структурированный вывод к vLLM

Примеры запросов агенту

  • Помоги составить docker-compose.yml для запуска Llama-3.1-70B через vLLM на двух GPU
  • Как настроить квантование AWQ и запустить Llama-3-70B через команду vllm serve?
  • Настрой сбор метрик Prometheus и запусти бенчмарк пропускной способности vLLM

Как установить vllm-server

1Через Skills CLI (Vercel)

npx skills add BagelHole/DevOps-Security-Agent-Skills --skill vllm-server -a claude-code

2Вручную: положить файлы

~/.claude/skills/vllm-server/SKILL.md

Папка скилла целиком; для одного проекта — .claude/skills/vllm-server/

По шагам, с командами для каждой платформы: Как установить скилл в Claude Code: пять способов

Из того же набора127

aws-cost-optimization Скилл для FinOps-разборов: помогает найти перерасход в AWS, подобрать размеры инстансов и настроить бюджеты. CX Codex +1 318установок identity-access-management Скилл для настройки единого входа, SCIM-провижининга и MFA через Google Workspace, Okta или Azure AD. Пригодится, когда команда растёт и ручной онбординг начинает ломаться. CX Codex +1 317установок vercel-deployments Скилл для деплоя фронтенда и фулстек-приложений на Vercel: превью, edge-функции, переменные окружения и защита продакшена. CX Codex +1 316установок llmops-platform-engineering Скилл для проектирования внутренней LLM-платформы: CI/CD с гейтами оценки, продвижение моделей, канареечный деплой и откат. CX Codex +1 315установок cloudflare-workers Скилл для работы с Cloudflare Workers: помогает писать и деплоить edge-функции через Wrangler. Пригодится, если делаете API, cron-задачи или middleware. CX Codex +1 314установок azure-monitor-audit Настраивает аудит подписки Azure через Monitor, Log Analytics и журнал действий. Помогает собирать логи для SOC 2, HIPAA, PCI DSS и ISO 27001. CX Codex +1 313установок saas-security-posture Скилл для аудита и ужесточения SaaS-инструментов компании: SSO, OAuth-гранты, теневой IT, админские аккаунты в Slack, GitHub, Google Workspace и AWS. CX Codex +1 314установок datadog Настраивает агент Datadog, сбор логов, APM-трейсинг и метрики для сервисов и баз данных. Пригодится при развёртывании единого мониторинга инфраструктуры. CX Codex +1 312установок

Похожие

serving-llms-on-instinct amd Разворачивает vLLM-эндпоинт на GPU AMD Instinct: определяет железо, проверяет окружение, собирает Docker-команду и запускает модель. CX Codex +1 876установок cuopt-install NVIDIA cuOpt Team Помогает развернуть NVIDIA cuOpt для Python, C или REST-сервера через pip, conda и Docker, а также проверить готовность среды. Пригодится при настройке GPU-оптимизации маршрутов. CX Codex +1 2 500установок cuopt-server-api-python NVIDIA cuOpt Team Скилл помогает развернуть REST-сервер NVIDIA cuOpt и делать запросы через Python или curl. Пригодится для решения задач маршрутизации, LP и MILP на GPU. CX Codex +1 2 200установок serving-llms-on-epyc amd Разворачивает эндпоинт vLLM с бэкендом zentorch на процессорах AMD EPYC в Docker, Podman или conda. Пригодится для инференса LLM на серверных CPU без привязки к GPU. CX Codex +1 817установок pod-doctor runpod Находит причины сбоев в подах Runpod: ошибки прокси 502, пропажу GPU после перезагрузки и зависания контейнеров. Работает в режиме чтения через MCP-инструменты Runpod. CX Codex +1 2 600установок llm-architect VoltAgent Community Проектирует архитектуру LLM-систем для продакшена: от RAG и файнтюнинга до оптимизации инференса в vLLM. Пригодится при высоких нагрузках и оптимизации расходов на токены. 649установок

Рядом в теме «ИИ и ML»

Всё по теме «ИИ и ML» →

Вопросы о vllm-server

Как установить vllm-server в Claude Code?

Выполните команду npx skills add BagelHole/DevOps-Security-Agent-Skills --skill vllm-server -a claude-code. Агент добавит инструкции скилла в конфигурацию окружения.

Что делает скилл vllm-server?

Он помогает сконфигурировать сервер инференса vLLM для открытых LLM. Скилл даёт готовые флаги для квантования, параллелизма на GPU, мониторинга и контейнеризации.

Какие требования к оборудованию нужны для работы vLLM?

Потребуются видеокарта NVIDIA с CUDA 12.1+, а также Python 3.9+ или Docker. Модели на 7B требуют минимум 8 ГБ VRAM, а для 70B нужно от 40 ГБ видеопамяти.

Исходный текст

SKILL.md · MIT
---
name: vllm-server
description: Deploy and manage vLLM for high-throughput LLM inference. Configure continuous batching, tensor parallelism, quantization, and OpenAI-compatible API endpoints for production LLM serving.
license: MIT
metadata:
  author: devops-skills
  version: "1.0"
---

# vLLM Server Management

Deploy production-grade LLM inference servers with vLLM — the fastest open-source LLM serving engine with PagedAttention and continuous batching.

## When to Use This Skill

Use this skill when:
- Serving open-source LLMs (Llama, Mistral, Qwen, Gemma) at scale
- Building an OpenAI-compatible API endpoint for self-hosted models
- Optimizing LLM throughput and latency for production traffic
- Running multi-GPU inference with tensor or pipeline parallelism
- Deploying quantized models to reduce GPU memory requirements

## Prerequisites

- NVIDIA GPU(s) with CUDA 12.1+ (A100/H100 recommended for production)
- Docker or Python 3.9+ with pip
- 40GB+ VRAM for 70B models; 8GB+ for 7B models
- `nvidia-container-toolkit` for Docker GPU passthrough

## Quick Start

```bash
# Install vLLM
pip install vllm

# Serve a model (OpenAI-compatible API)
vllm serve meta-llama/Llama-3.1-8B-Instruct \
  --host 0.0.0.0 \
  --port 8000 \
  --api-key your-secret-key

# Test the endpoint
curl http://localhost:8000/v1/chat/completions \
  -H "Content-Type: application/json" \
  -H "Authorization: Bearer your-secret-key" \
  -d '{
    "model": "meta-llama/Llama-3.1-8B-Instruct",
    "messages": [{"role": "user", "content": "Hello!"}]
  }'
```

## Docker Deployment

```bash
docker run --runtime nvidia --gpus all \
  -v ~/.cache/huggingface:/root/.cache/huggingface \
  -p 8000:8000 \
  --ipc=host \
  vllm/vllm-openai:latest \
  --model meta-llama/Llama-3.1-8B-Instruct \
  --api-key your-secret-key
```

## Docker Compose (Production)

```yaml
services:
  vllm:
    image: vllm/vllm-openai:latest
    runtime: nvidia
    environment:
      - NVIDIA_VISIBLE_DEVICES=all
      - HUGGING_FACE_HUB_TOKEN=${HF_TOKEN}
    volumes:
      - model-cache:/root/.cache/huggingface
    ports:
      - "8000:8000"
    ipc: host
    command: >
      --model meta-llama/Llama-3.1-70B-Instruct
      --tensor-parallel-size 2
      --max-model-len 32768
      --gpu-memory-utilization 0.90
      --api-key ${VLLM_API_KEY}
    restart: unless-stopped
    healthcheck:
      test: ["CMD", "curl", "-f", "http://localhost:8000/health"]
      interval: 30s
      timeout: 10s
      retries: 3

volumes:
  model-cache:
```

## Key Configuration Options

### Multi-GPU Tensor Parallelism

```bash
# Split one model across 4 GPUs
vllm serve meta-llama/Llama-3.1-70B-Instruct \
  --tensor-parallel-size 4 \
  --gpu-memory-utilization 0.90
```

### Quantization (Lower VRAM)

```bash
# AWQ quantization (70B on 2x A100 40GB)
vllm serve casperhansen/llama-3-70b-instruct-awq \
  --quantization awq \
  --tensor-parallel-size 2

# GPTQ quantization
vllm serve TheBloke/Llama-2-70B-Chat-GPTQ \
  --quantization gptq

# FP8 (H100 NVL native)
vllm serve meta-llama/Llama-3.1-405B-Instruct \
  --quantization fp8 \
  --tensor-parallel-size 8
```

### Structured Output & Tools

```bash
vllm serve meta-llama/Llama-3.1-8B-Instruct \
  --enable-auto-tool-choice \
  --tool-call-parser llama3_json \
  --guided-decoding-backend outlines
```

### LoRA Adapters

```bash
vllm serve meta-llama/Llama-3.1-8B-Instruct \
  --enable-lora \
  --lora-modules sql-lora=/path/to/sql-lora \
                 code-lora=/path/to/code-lora \
  --max-lora-rank 64
```

## Performance Tuning

```bash
# Maximize throughput for batch workloads
vllm serve <model> \
  --max-num-seqs 256 \          # max concurrent sequences
  --max-num-batched-tokens 8192 \ # tokens per batch
  --gpu-memory-utilization 0.95 \ # use 95% VRAM
  --swap-space 4                  # CPU swap (GiB)

# Minimize latency for interactive use
vllm serve <model> \
  --max-num-seqs 32 \
  --enforce-eager              # disable CUDA graph capture
```

## Benchmarking

```bash
# Install benchmark tool
pip install vllm

# Run throughput benchmark
python -m vllm.entrypoints.openai.run_batch \
  --model meta-llama/Llama-3.1-8B-Instruct \
  --input-file prompts.jsonl \
  --output-file results.jsonl

# Benchmark with vllm bench
vllm bench throughput \
  --model meta-llama/Llama-3.1-8B-Instruct \
  --num-prompts 1000 \
  --input-len 512 \
  --output-len 128
```

## Monitoring

```bash
# Check running server stats
curl http://localhost:8000/metrics  # Prometheus metrics

# Key metrics to watch:
# vllm:num_requests_running       - active requests
# vllm:gpu_cache_usage_perc       - KV cache utilization
# vllm:generation_tokens_per_s    - throughput
# vllm:time_to_first_token_ms     - TTFT latency
# vllm:e2e_request_latency_seconds - end-to-end latency
```

## Common Issues

| Issue | Cause | Fix |
|-------|-------|-----|
| `CUDA out of memory` | Model too large for VRAM | Add `--quantization awq` or reduce `--gpu-memory-utilization` |
| Slow cold start | Model not cached | Pre-pull with `huggingface-cli download <model>` |
| Low throughput | Too few concurrent requests | Increase `--max-num-seqs` |
| KV cache full errors | Context length too long | Set `--max-model-len` lower |
| `tokenizer error` | Tokenizer mismatch | Use `--tokenizer` to specify correct tokenizer |

## Best Practices

- Use `--gpu-memory-utilization 0.90` to leave headroom for CUDA kernels.
- Pin model versions with `--revision` for reproducible deployments.
- Set `HF_HUB_OFFLINE=1` in production to prevent unexpected downloads.
- Use AWQ or GPTQ quantization before tensor parallelism — lower VRAM first.
- Enable `--enable-chunked-prefill` for long-context workloads.
- Monitor `gpu_cache_usage_perc` — above 95% causes queuing.

## Related Skills

- [llm-inference-scaling](../llm-inference-scaling/) - Auto-scaling vLLM deployments
- [gpu-server-management](../../servers/gpu-server-management/) - GPU driver setup
- [llm-gateway](../../networking/llm-gateway/) - Load balancing across vLLM instances
- [llm-cost-optimization](../../../devops/ai/llm-cost-optimization/) - Cost management
- [model-serving-kubernetes](../../../devops/orchestration/model-serving-kubernetes/) - K8s deployment

© devops-skills · MIT · BagelHole/DevOps-Security-Agent-Skills

Смотрите также

Спонсоры проекта

Компании, которые помогают держать аналитику открытой