企业官网建设流程全解析

download_model.py：镜像加速与断点续传下载 LLM 模型

【免费下载链接】llm-universe本项目是一个面向小白开发者的大模型应用开发教程，在线阅读地址：https://datawhalechina.github.io/llm-universe/项目地址: https://gitcode.com/GitHub_Trending/ll/llm-universe

llm-universe 是一套面向初学者的 LLM 应用开发教程，多个 RAG 案例都依赖本地 Embedding 模型。手动从 Hugging Face 拉取模型时，国内网络经常慢或中断。项目里的 download_model.py 把这件事压缩成一条命令：自动切换 hf-mirror.com 镜像、开启断点续传，模型直接落到本地目录，供后续代码加载。

它适合解决什么

脚本出现在 notebook/附/ 下两个课程配套目录：SCNet 与 DW 高校行，各不到十行，做的事一致：先把下载端点指到国内镜像，再执行 huggingface-cli 下载命令。

适合它的场景：

• 课程 Demo 首次运行前，准备模型文件
• 网络不稳定，下载中断后需要继续
• 同一批实验要重复或成批地准备模型

手动操作时，"export 镜像变量 + 敲完整 CLI 参数"这两步容易漏，脚本把它们固定下来，可以反复执行。

RAG 应用里，Embedding 负责把文档和问题变成向量再检索，本地模型是绕不开的一环，模型下载就是它的前置步骤。

最小可用示例 📥

先给结论：装好依赖，在课程目录里运行一次脚本，就会得到完整的模型目录。

git clone https://gitcode.com/GitHub_Trending/ll/llm-universe cd llm-universe/notebook/附/SCNet pip install -r ../../../requirements.txt huggingface_hub python download_model.py

终端会滚动输出下载进度。完成后当前目录多出embedding_model_small，里面有 config.json、模型权重文件和分词器文件——这正是 SCNet 案例 streamlit_app.py 加载模型所用的目录。另外，真正加载模型还需要 torch 与 transformers，教程 notebook 里有对应的安装步骤。

按场景使用

换个模型或换个目录

脚本第 7 行就是一条完整下载命令，替换模型名和--local-dir即可：

os.system('huggingface-cli download --resume-download BAAI/bge-large-en-v1.5 --local-dir bge_large')

注意：改过--local-dir后，加载模型处也要同步改目录名，否则后续会报路径不存在。

一次准备多个模型

多个实验要不同模型时，把"模型名 + 目标目录"写成列表，循环执行同一条命令，每条都保留--resume-download。这样每个模型各自断点续传，某一个卡住不影响其他。

下载结果如何被使用

模型目录直接对接课程代码：

• SCNet 案例：streamlit_app.py 中model_name_or_path写的是embedding_model_small，启动 RAG 问答前必须先跑下载脚本
• DW 高校行：对应目录名是embedding_model，langchain_demo.ipynb 正文也明确写了"在终端 python download_model.py"这一步

界面本身不复杂，关键前置条件就是模型已经在本地目录里。

常见卡点 ⚠️

下一步

• 模型跑通后，接着 C3 搭建知识库 与 C4 构建 RAG 应用 两章，走完文档切分、向量化、检索的完整链路
• 想弄清模型如何接入 LangChain，读 附LangChain自定义Embedding封装讲解
• 可以继续尝试：换一个参数更大的 Embedding 模型下载下来，对比检索召回效果是否有提升

【免费下载链接】llm-universe本项目是一个面向小白开发者的大模型应用开发教程，在线阅读地址：https://datawhalechina.github.io/llm-universe/项目地址: https://gitcode.com/GitHub_Trending/ll/llm-universe