1. 笔记本或工作站评估
先按 coding、chat、reasoning 或 multimodal 场景筛选，再比较你手上这台机器真正适合跑哪些模型。
llmfit
llmfit recommend --json --use-case coding --limit 5应用场景
LLMFit 在什么情况下最有实际价值。
只要本地 AI 的选型决策需要更快、更少浪费、更容易向团队解释， LLMFit 就能发挥作用。尤其当同一个问题要在多台机器、多个项目、 多个客户环境里反复回答时，它的价值会更明显。
2. 节点与机型标准化
在每台节点上运行 serve 模式，让调度器或资产平台查询统一格式的可运行模型列表。
llmfit serve --host 0.0.0.0 --port 8787
curl http://node:8787/api/v1/models/top?min_fit=good3. 硬件采购与升级规划
先以目标模型为起点，反推需要怎样的硬件，而不是买完机器之后才发现模型路线不可行。
llmfit plan "Qwen/Qwen3-4B-MLX-4bit" --context 8192 --target-tps 254. 咨询与交付工作
把“这套客户硬件适合跑什么模型”从个人经验判断，提升为一套可审查、可记录、可复用的建议流程。
用户画像
适合哪些专业使用者。
独立开发者
希望快速得到结论：这台笔记本或工作站到底该跑什么模型，避免浪费存储和配置时间。
- 优先使用 TUI 和 CLI
- 按 coding 或通用用途筛选
- 只对比少量真实可跑的候选模型
平台工程师
需要把节点侧模型可用性暴露给更大的内部平台、调度系统或机器资源目录。
- 优先使用
llmfit serve - 轮询
/api/v1/system与/api/v1/models/top - 把
min_fit=good作为保守基线
解决方案顾问
需要给客户或业务团队提供更有依据的建议，而不是“我个人更喜欢哪个模型”。
- 用计划模式展示升级路径
- 保留 JSON 结果用于交付文档
- 明确解释适配度、速度与上下文权衡
Homelab 运维者
需要在混合 CPU、小显卡和边缘设备上挤出尽可能实用的本地 AI 效果。
- 优先考虑“真能跑”而不是排行榜光环
- 结合上下文限制与量化感知
- 认真区分 marginal 与 perfect 的实际差异
工作流示例
三种可重复执行的模式。
下载前决策
在拉取模型之前先用 TUI 或 CLI 判断，这是减少无效下载和错误选型最简单的一步。
节点侧推荐服务
在每台机器上运行 `llmfit serve`，再由控制平面统一聚合结果并做多节点决策。
硬件升级规划
当你已经确定目标模型家族时，计划模式可以帮你反推出达到目标所需的硬件路径。
下一步