Exo Cluster

Exo 分布式 AI 集群 - 将多台 Mac/PC/WSL2 设备整合为统一 GPU 集群，本地运行大模型。支持 DeepSeek、Qwen、LLaMA。

Exo 分布式 AI 集群

将闲置设备整合为统一算力集群

---

概述

Exo 可将多台 Mac、PC、手机等设备整合为一个 GPU 集群，在本地运行大模型。

项目	信息
Stars	44.5K
官网	https://exolabs.net/
GitHub	exo-explore/exo

---

支持的模型

• DeepSeek V3 / V2
• Qwen3-235B
• Kimi2-Thinking
• LLaMA (MLX)
• Mistral
• LlaVA

---

触发词

搭建集群 / exo集群 / 本地部署大模型 / 分布式推理

---

环境准备

Mac (推荐)

bash

# 1. 安装 Xcode
xcode-select --install

# 2. 安装 Homebrew
/bin/bash -c "$(curl -fsSL https://raw.githubusercontent.com/Homebrew/install/HEAD/install.sh)"

# 3. 安装依赖
brew install uv node rust

# 4. 安装 Exo
git clone https://github.com/exo-explore/exo
cd exo

WSL2 / Windows

bash

# 方式1: 用社区原生版
git clone https://github.com/tensorsofthewall/exo_windows
exo_windows

# 方式2: WSL2 中运行
git clone https://github.com/exo-explore/exo
cd exo
pip install -e .
python -m exo.main --role master

Linux + NVIDIA

bash

# 安装 CUDA 和相关驱动
# 然后同样 clone exo
git clone https://github.com/exo-explore/exo
cd exo

---

快速开始

方式一：Nix（最简单）

bash

# 如果有 Nix
nix run .#exo

方式二：手动安装

bash

cd exo

# 启动主节点
python -m exo.main --role master --port 8080 --name "home-cluster"

# 其他设备加入（从节点）
python -m exo.main --role worker --master-addr 主节点IP:8080 --name "设备名"

# 低配设备轻量模式
python -m exo.main --role worker --master-addr 主节点IP:8080 --light-mode

WSL2 快速启动

bash

# 1. 克隆
cd ~
git clone https://github.com/tensorsofthewall/exo_windows
exo_windows

# 2. 安装依赖
pip install -e .
# 或
pip install torch tinygrad

# 3. 启动
python -m exo.main --role master --port 8080 --name "wsl2-cluster"

# 浏览器打开 http://localhost:52415

---

查看和部署模型

查看可用模型

bash

python -m exo.master.api --list-available-models

部署模型

bash

# 部署 DeepSeek 7B
python -m exo.master.api --deploy-model deepseek-7b --min-nodes 2 --max-nodes 4

# 部署更大的模型
python -m exo.master.api --deploy-model qwen3-235b --min-nodes 2 --max-nodes 4

---

使用 API

Exo 提供多种 API 兼容：

OpenAI 风格

bash

curl http://localhost:52415/v1/chat/completions \
  -H "Content-Type: application/json" \
  -d '{
    "model": "deepseek-7b",
    "messages": [{"role": "user", "content": "你好"}]
  }'

Claude 风格

bash

curl http://localhost:52415/v1/messages \
  -H "Content-Type: application/json" \
  -d '{
    "model": "deepseek-7b",
    "messages": [{"role": "user", "content": "你好"}]
  }'

Ollama 风格

bash

curl http://localhost:52415/api/generate \
  -d '{"model": "deepseek-7b", "prompt": "你好"}'

---

集群管理

打开 Dashboard

text

http://主节点IP:52415

查看集群状态

bash

python -m exo.main --status

硬件诊断

bash

python -m exo.utils.info_gatherer.system_info --detailed

---

性能优化

推荐配置

设备数量	推荐模型	内存要求
1 台	7B	~16GB
2 台	14B	~32GB
4 台	70B	~128GB
4 台 Mac Studio 512GB	671B (8-bit)	2TB 统一内存

优化技巧

1. 使用 RDMA over Thunderbolt（Mac 之间）
2. 启用 Tensor Parallel
3. 模型量化（8-bit / 4-bit）
4. 调整任务分配策略

---

常见问题

Q: 设备发现不了？

A: 确保在同一局域网，使用有线或 5GHz WiFi

Q: 跑不动大模型？

A: 从 7B 开始测试，确认单设备能跑再增加节点

Q: 速度慢？

A: 使用 Thunderbolt 联网，或启用 RDMA

---

快速指令表

需求	命令
启动主节点	exo --role master
设备加入集群	exo --role worker --master-addr IP
部署模型	exo --deploy-model 模型名
查看模型列表	exo --list-models
查看状态	exo --status
打开管理界面	http://localhost:52415

---

与 OpenClaw 集成

可以配合使用：

1. 在 Mac 上部署 Exo 集群
2. 通过 API 调用模型
3. OpenClaw 作为前端交互

示例：

bash

# 让集群运行推理
curl -X POST http://mac-server:52415/v1/chat/completions \
  -d '{"model": "deepseek-7b", "messages": [{"role": "user", "content": "解释量子计算"}]}'

Exo | 分布式 AI 集群框架