pickfit

瀏覽本機 AI 工具

AirDrop-LLM

離線 P2P 中介,透過 Wi-Fi 匯集多台筆電進行管線並行的 LLM 推論。

已在 Linux 上測試

使用

Linux x86_64

需要先準備

  • 需要網路
  1. npm install -g airdrop-llm@latest

    npm install -g airdrop-llm@latest
README 與實測不符之處
  • README 寫: airdrop start spawns model and daemon directly
    實際可行: CLI 包裝指令 `airdrop start` 會嘗試啟動 `ollama serve`,若未安裝 ollama 便會以 ENOENT 當掉;直接透過 `node bin/airdrop-daemon --mode master` 執行背景程式可略過此問題,且仍會在 :9995 提供閘道

確認能用

node ~/.local/lib/node_modules/airdrop-llm/bin/airdrop-daemon --mode master --ui-port 3000 --ws-port 3001 2>&1

輸出應包含「OpenAI-compatible reverse proxy listening at http://localhost:9995/v1」。

先試試這個

node ~/.local/lib/node_modules/airdrop-llm/bin/airdrop-daemon --mode master --ui-port 3000 --ws-port 3001 2>&1

以 airdrop-daemon --mode master --ui-port 3000 --ws-port 3001 啟動主節點。

它能做什麼

  • 將多台筆電集結成一個 GPU 叢集
    未測試
  • 離線執行 32B 與 70B 模型
    未測試
  • 提供相容 OpenAI 的 chat completions API
    沒有看到它可用
  • 透過 Wi-Fi 尋找其他筆電
    未測試

pickfit 測到哪一步

Linux x86_64

  1. 可以安裝
  2. 可以啟動
  3. 4 項功能中 0 項可用
  4. 可離線使用

macOS 和 Windows:專案說支援,但 pickfit 還沒試過。

適合用來

  • 在匯集的筆電上執行 32B 與 70B 參數模型
  • 透過 OpenAI 閘道列出叢集可用模型
  • 透過 API 閘道串流分散式聊天補全

可替代 Ollama / llama.cpp、Petals 和 Cloud APIs (OpenAI/Anthropic)。

pickfit 怎麼測的

每次測試都從乾淨的機器開始,照上面的步驟執行。 pickfit 怎麼驗證

Linux x86_64

可安裝並啟動

  • 從頭重跑
  • 可離線使用
  • 檢查於 2026年10月31日
  • 版本 0.1.6

測試機器遇到的差異

  • README: npm install downloads Rust binary via postinstall
    測試中: postinstall 會嘗試從 GitHub 下載執行檔;在這台 Linux x64 機器上,下載到的是 57K 的 Node.js 墊片而非 Rust 執行檔,改用 Node 背景程式則不需 Rust 工具鏈即可運作

怎麼看工具卡

縫線
pickfit 親自安裝過這款工具,縫線下方的內容都來自那次測試。沒測過的工具,一律沒有縫線。
已在你的作業系統上驗證
安裝步驟在你選的系統上跑過。「只在 Linux 上執行過」表示還沒在你的系統上跑過。
macOS、Linux 和 Windows在哪裡測過
綠色系統標記:pickfit 在該系統跑過安裝步驟。灰色:README 說支援,但 pickfit 還沒試過。
測試進行到哪一步
能安裝並啟動、主要功能可用、服務有回應、能產生模型輸出。視窗代表桌面應用程式已開啟;插頭代表 MCP 用戶端用過它。標記在測試結果旁邊:展開「為什麼適合、我們怎麼知道」,或在「pickfit 怎麼測的」裡。
視覺檢查
pickfit 看過應用程式的截圖。綠色:畫面正常。黃色加數字:有看起來不對的地方,點開就能看到。灰色虛線:還沒檢查。
已知漏洞
它安裝的套件有沒有已知的高風險或嚴重漏洞(OSV.dev)。綠色:沒有已知漏洞。紅色加數字:有幾個,點開看清單,安裝前先看過。灰色虛線:沒有檢查,不代表安全。
關於這次測試
測試日期,以及測到的版本。
理由的來源
每個推薦理由都依據簡介裡的一個欄位。展開理由就能看到欄位和值。
寶藏
品質高、少有人知。
品質與知名度
兩個分數,滿分都是 100。品質:pickfit 試裝、試用的結果,以及安裝文件和維護狀況。知名度:看星數、下載量和 Hacker News。
已檢查的功能
README 宣傳的主要功能裡,實測通過幾項(綠色)、失敗幾項(紅色)。灰色是沒檢查的,工具卡會說明原因。
未驗證
Fitz 依一般知識提到的知名工具。沒有測試紀錄、沒有步驟、沒有分數。