這里寫自定義目錄標題歡迎使用Markdown編輯器引言部署方案沒有最好只有最合適一、三種方案的核心定位1.1 Ollama個人開發者的瑞士軍刀1.2 vLLM生產級高并發的性能引擎1.3 托管 API零運維的開箱即用二、高性能推理引擎深度對比2.1 SGLang結構化生成與 Agent 推理2.2 TensorRT-LLMNVIDIA 生態的性能極致2.3 LMDeploy國產模型推理引擎三、性能對比與選型決策3.1 選型決策框架3.2 混合部署策略四、部署避坑指南五、從選型到上線的完整路徑六、總結新的改變功能快捷鍵合理的創建標題有助于目錄的生成如何改變文本的樣式插入鏈接與圖片如何插入一段漂亮的代碼片生成一個適合你的列表創建一個表格設定內容居中、居左、居右SmartyPants創建一個自定義列表如何創建一個注腳注釋也是必不可少的KaTeX數學公式新的甘特圖功能豐富你的文章UML圖表流程圖FLowchart流程圖導出與導入導出導入歡迎使用Markdown編輯器你好 這是你第一次使用# LLM 推理部署選型指南vLLM、Ollama 與 API 調用的工程決策引言部署方案沒有最好只有最合適2026 年大模型推理部署的方案已經高度分化vLLM、SGLang、TensorRT-LLM 等高性能推理引擎Ollama 等輕量級本地運行框架以及各大廠商的托管 API。面對這么多選擇很多團隊陷入了選型困難癥。本文從技術架構、性能特征、適用場景三個維度深度對比主流推理部署方案幫你做出正確的工程決策。核心觀點是部署方案沒有最好只有最合適——關鍵看你的場景是個人開發、企業生產還是邊緣部署。一、三種方案的核心定位1.1 Ollama個人開發者的瑞士軍刀Ollama 是一個輕量級、可擴展的本地大語言模型運行框架基于 llama.cpp 架構開發采用 GGUF 專用模型格式。核心定位面向個人開發者與獨立用戶主打快速便捷的本地模型調用。典型場景個人開發測試與原型驗證本地私有化部署數據不出境邊緣設備與消費級 GPU 推理單人單模型交互場景優勢部署極簡數分鐘即可完成安裝并啟動推理服務兼容幾乎全部主流大模型單流推理速度領先支持 CPU 推理無需 GPU 也能運行小模型短板默認串行處理單條請求并發能力弱無法橫向擴展適配多并發場景模型格式不互通僅支持 GGUF1.2 vLLM生產級高并發的性能引擎vLLM 是以 GPU 算力為核心構建的高性能大模型推理引擎支持 Docker 容器部署與 Python 環境部署兼容主流 HuggingFace 模型格式。核心定位面向共享集群、生產級業務場景滿足高吞吐、多并發推理需求。典型場景企業級多租戶在線推理服務高并發 API 服務智能客服、代碼助手等大規模 Agent 工作流頻繁循環調用Kubernetes 集群部署優勢整機并發吞吐業界頂尖PagedAttention 內存管理使顯存浪費降至 4% 以下連續批處理保持 95% 以上 GPU 利用率OpenAI 兼容 API生態豐富短板部署和調優有一定門檻需要 GPU 資源1.3 托管 API零運維的開箱即用各大云廠商和模型廠商提供托管 API 服務你只需要調用接口無需關心底層部署。核心定位追求快速上線、零運維成本的場景。典型場景快速原型驗證業務量波動大、需要彈性伸縮團隊沒有 GPU 運維能力優勢零運維、彈性伸縮、按量付費。短板數據出境風險、單位成本較高、受供應商限制。二、高性能推理引擎深度對比除了 vLLM2026 年還有幾個值得關注的高性能推理引擎。2.1 SGLang結構化生成與 Agent 推理SGLang 由加州大學伯克利分校與 LMSYS 開發核心特性RadixAttention基于 Radix Tree 的前綴緩存3-10 倍吞吐提升結構化生成原生支持 JSON Schema、Grammar、Tool Call前端語言類似 Python 的 DSL簡化 Agent 編程SGLang 特別適合 Agent 場景——Agent 的 Tool Calling 需要結構化輸出SGLang 的原生支持能顯著提升生成質量和速度。2.2 TensorRT-LLMNVIDIA 生態的性能極致TensorRT-LLM 是 NVIDIA 官方推理引擎針對 Hopper/Blackwell 架構深度優化極致性能In-flight Batching 比 Continuous Batching 更精細量化支持FP8、INT4、INT8 原生支持多 GPUTensor Parallel、Pipeline Parallel 成熟生態完整與 Triton Inference Server 無縫集成TensorRT-LLM 的性能通常是最優的但工程成本也最高——需要編譯優化、模型轉換迭代周期長。2.3 LMDeploy國產模型推理引擎LMDeploy 由上海人工智能實驗室開發核心特性Turbomind自研推理引擎國產 GPU/CPU 全面支持量化支持AWQ、GPTQ、BNB 原生國產硬件支持華為昇騰、寒武紀、海光 DCULMDeploy 是國產模型InternLM、Qwen、DeepSeek的官方推薦引擎特別適合國產硬件環境。三、性能對比與選型決策基于公開 benchmark不同引擎的性能各有側重。但要注意性能數據受硬件、模型、上下文長度、batch size 等多因素影響選型時一定要用自己的場景做基準測試。3.1 選型決策框架第一層數據敏感嗎數據不能出境 → 本地部署Ollama 或 vLLM數據可以上云 → 托管 API 或云上自建第二層并發高嗎高并發生產 → vLLM / SGLang / TensorRT-LLM單用戶低并發 → Ollama第三層需要結構化輸出嗎Agent 場景、Tool Calling → SGLang普通對話 → vLLM第四層追求極致性能嗎是且愿意投入工程成本 → TensorRT-LLM否快速落地 → vLLM3.2 混合部署策略2026 年的最佳實踐往往是混合部署簡單任務用小模型本地 Ollama 或小參數量模型成本低復雜任務用大模型vLLM 或托管 API質量高模型分級路由根據任務復雜度動態路由到不同模型這種模型分級策略能在保證質量的前提下顯著降低推理成本。四、部署避坑指南坑一忽略基準測試。直接照搬別人的性能數據結果自己的場景表現完全不同。選型前一定要用自己的數據、自己的場景跑基準測試。坑二KV Cache 配置不當。顯存分配不合理要么 OOM要么并發上不去。要根據場景調整gpu_memory_utilization。坑三忽視前綴緩存。Agent 場景前綴高度重復不開前綴緩存浪費大量 Prefill 算力。坑四量化一刀切。所有模型都量化到 INT4結果精度下降影響業務。要根據精度要求選擇量化級別。坑五沒有監控。部署后不監控 TTFT、TPOT、吞吐量、顯存出問題無法定位。五、從選型到上線的完整路徑第一步明確需求。數據敏感性、并發量、延遲要求、成本預算、團隊運維能力。第二步小規模驗證。用真實場景跑基準測試對比候選方案的性能、成本、易用性。第三步確定主方案。根據測試結果選擇主方案同時設計降級方案。第四步生產部署。容器化、監控告警、彈性伸縮、灰度發布。第五步持續優化。基于線上數據持續調優 KV Cache、量化、批處理策略。六、總結2026 年的推理部署方案已經高度分化沒有最好的方案只有最合適的方案。個人開發選 Ollama企業生產選 vLLM/SGLang追求極致性能選 TensorRT-LLM快速上線選托管 API國產硬件選 LMDeploy。選型的核心是用數據說話明確需求、跑基準測試、對比性能成本、確定主方案。同時記住混合部署和模型分級是 2026 年的降本利器——簡單任務用小模型復雜任務用大模型動態路由成本最優。Markdown編輯器所展示的歡迎頁。如果你想學習如何使用Markdown編輯器, 可以仔細閱讀這篇文章了解一下Markdown的基本語法知識。新的改變我們對Markdown編輯器進行了一些功能拓展與語法支持除了標準的Markdown編輯器功能我們增加了如下幾點新功能幫助你用它寫博客全新的界面設計將會帶來全新的寫作體驗在創作中心設置你喜愛的代碼高亮樣式Markdown將代碼片顯示選擇的高亮樣式進行展示增加了圖片拖拽功能你可以將本地的圖片直接拖拽到編輯區域直接展示全新的KaTeX數學公式語法增加了支持甘特圖的mermaid語法1功能增加了多屏幕編輯Markdown文章功能增加了焦點寫作模式、預覽模式、簡潔寫作模式、左右區域同步滾輪設置等功能功能按鈕位于編輯區域與預覽區域中間增加了檢查列表功能。功能快捷鍵撤銷Ctrl/CommandZ重做Ctrl/CommandY加粗Ctrl/CommandB斜體Ctrl/CommandI標題Ctrl/CommandShiftH無序列表Ctrl/CommandShiftU有序列表Ctrl/CommandShiftO檢查列表Ctrl/CommandShiftC插入代碼Ctrl/CommandShiftK插入鏈接Ctrl/CommandShiftL插入圖片Ctrl/CommandShiftG查找Ctrl/CommandF替換Ctrl/CommandG合理的創建標題有助于目錄的生成直接輸入1次#并按下space后將生成1級標題。輸入2次#并按下space后將生成2級標題。以此類推我們支持6級標題。有助于使用TOC語法后生成一個完美的目錄。如何改變文本的樣式強調文本強調文本加粗文本加粗文本標記文本刪除文本引用文本H2O is是液體。210運算結果是 1024.插入鏈接與圖片鏈接: link.圖片:帶尺寸的圖片:居中的圖片:居中并且帶尺寸的圖片:當然我們為了讓用戶更加便捷我們增加了圖片拖拽功能。如何插入一段漂亮的代碼片去博客設置頁面選擇一款你喜歡的代碼片高亮樣式下面展示同樣高亮的代碼片.// An highlighted blockvarfoobar;生成一個適合你的列表項目項目項目項目1項目2項目3計劃任務完成任務創建一個表格一個簡單的表格是這么創建的項目Value電腦$1600手機$12導管$1設定內容居中、居左、居右使用:---------:居中使用:----------居左使用----------:居右第一列第二列第三列第一列文本居中第二列文本居右第三列文本居左SmartyPantsSmartyPants 是一個文本轉換工具主要功能是將普通的 ASCII 標點符號自動轉換為更美觀的印刷體標點符號。例如原始符號轉換后說明引號“引號”直引號變彎引號單引號‘單引號’直單引號變彎單引號--–兩個連字符變短破折號---—三個連字符變長破折號...…三個點變省略號創建一個自定義列表MarkdownText-to-HTMLconversion toolAuthorsJohnLuke如何創建一個注腳一個具有注腳的文本。2注釋也是必不可少的Markdown將文本轉換為HTML。KaTeX數學公式您可以使用渲染LaTeX數學表達式 KaTeX:Gamma公式展示Γ ( n ) ( n ? 1 ) ! ? n ∈ N \Gamma(n) (n-1)!\quad\forall n\in\mathbb NΓ(n)(n?1)!?n∈N是通過歐拉積分Γ ( z ) ∫ 0 ∞ t z ? 1 e ? t d t . \Gamma(z) \int_0^\infty t^{z-1}e^{-t}dt\,.Γ(z)∫0∞?tz?1e?tdt.你可以找到更多關于的信息LaTeX數學表達式here.新的甘特圖功能豐富你的文章2014-01-072014-01-092014-01-112014-01-132014-01-152014-01-172014-01-192014-01-21已完成進行中計劃一計劃二現有任務Adding GANTT diagram functionality to mermaid關于甘特圖語法參考 這兒,UML圖表可以使用UML圖表進行渲染例如下面產生的一個序列圖王五李四張三王五李四張三李四想了很長時間, 文字太長了不適合放在一行.你好李四, 最近怎么樣?你最近怎么樣王五我很好謝謝!我很好謝謝!打量著王五...很好... 王五, 你怎么樣?關于UML圖表語法參考 這兒,流程圖鏈接長方形圓圓角長方形菱形關于Mermaid語法參考 這兒,FLowchart流程圖我們依舊會支持flowchart.js的流程圖語法Created with Rapha?l 2.3.0開始我的操作確認結束yesno關于Flowchart流程圖語法參考 這兒.導出與導入導出如果你想嘗試使用此編輯器, 你可以在此篇文章任意編輯。當你完成了一篇文章的寫作, 在上方工具欄找到文章導出生成一個.md文件或者.html文件進行本地保存。導入如果你想加載一篇你寫過的.md文件在上方工具欄可以選擇導入功能進行對應擴展名的文件導入繼續你的創作。mermaid語法說明 ??注腳的解釋 ?? LLM 推理部署選型指南：vLLM、Ollama 與 API 調用的工程決策
這里寫自定義目錄標題歡迎使用Markdown編輯器引言部署方案沒有最好只有最合適一、三種方案的核心定位1.1 Ollama個人開發者的瑞士軍刀1.2 vLLM生產級高并發的性能引擎1.3 托管 API零運維的開箱即用二、高性能推理引擎深度對比2.1 SGLang結構化生成與 Agent 推理2.2 TensorRT-LLMNVIDIA 生態的性能極致2.3 LMDeploy國產模型推理引擎三、性能對比與選型決策3.1 選型決策框架3.2 混合部署策略四、部署避坑指南五、從選型到上線的完整路徑六、總結新的改變功能快捷鍵合理的創建標題有助于目錄的生成如何改變文本的樣式插入鏈接與圖片如何插入一段漂亮的代碼片生成一個適合你的列表創建一個表格設定內容居中、居左、居右SmartyPants創建一個自定義列表如何創建一個注腳注釋也是必不可少的KaTeX數學公式新的甘特圖功能豐富你的文章UML圖表流程圖FLowchart流程圖導出與導入導出導入歡迎使用Markdown編輯器你好 這是你第一次使用# LLM 推理部署選型指南vLLM、Ollama 與 API 調用的工程決策引言部署方案沒有最好只有最合適2026 年大模型推理部署的方案已經高度分化vLLM、SGLang、TensorRT-LLM 等高性能推理引擎Ollama 等輕量級本地運行框架以及各大廠商的托管 API。面對這么多選擇很多團隊陷入了選型困難癥。本文從技術架構、性能特征、適用場景三個維度深度對比主流推理部署方案幫你做出正確的工程決策。核心觀點是部署方案沒有最好只有最合適——關鍵看你的場景是個人開發、企業生產還是邊緣部署。一、三種方案的核心定位1.1 Ollama個人開發者的瑞士軍刀Ollama 是一個輕量級、可擴展的本地大語言模型運行框架基于 llama.cpp 架構開發采用 GGUF 專用模型格式。核心定位面向個人開發者與獨立用戶主打快速便捷的本地模型調用。典型場景個人開發測試與原型驗證本地私有化部署數據不出境邊緣設備與消費級 GPU 推理單人單模型交互場景優勢部署極簡數分鐘即可完成安裝并啟動推理服務兼容幾乎全部主流大模型單流推理速度領先支持 CPU 推理無需 GPU 也能運行小模型短板默認串行處理單條請求并發能力弱無法橫向擴展適配多并發場景模型格式不互通僅支持 GGUF1.2 vLLM生產級高并發的性能引擎vLLM 是以 GPU 算力為核心構建的高性能大模型推理引擎支持 Docker 容器部署與 Python 環境部署兼容主流 HuggingFace 模型格式。核心定位面向共享集群、生產級業務場景滿足高吞吐、多并發推理需求。典型場景企業級多租戶在線推理服務高并發 API 服務智能客服、代碼助手等大規模 Agent 工作流頻繁循環調用Kubernetes 集群部署優勢整機并發吞吐業界頂尖PagedAttention 內存管理使顯存浪費降至 4% 以下連續批處理保持 95% 以上 GPU 利用率OpenAI 兼容 API生態豐富短板部署和調優有一定門檻需要 GPU 資源1.3 托管 API零運維的開箱即用各大云廠商和模型廠商提供托管 API 服務你只需要調用接口無需關心底層部署。核心定位追求快速上線、零運維成本的場景。典型場景快速原型驗證業務量波動大、需要彈性伸縮團隊沒有 GPU 運維能力優勢零運維、彈性伸縮、按量付費。短板數據出境風險、單位成本較高、受供應商限制。二、高性能推理引擎深度對比除了 vLLM2026 年還有幾個值得關注的高性能推理引擎。2.1 SGLang結構化生成與 Agent 推理SGLang 由加州大學伯克利分校與 LMSYS 開發核心特性RadixAttention基于 Radix Tree 的前綴緩存3-10 倍吞吐提升結構化生成原生支持 JSON Schema、Grammar、Tool Call前端語言類似 Python 的 DSL簡化 Agent 編程SGLang 特別適合 Agent 場景——Agent 的 Tool Calling 需要結構化輸出SGLang 的原生支持能顯著提升生成質量和速度。2.2 TensorRT-LLMNVIDIA 生態的性能極致TensorRT-LLM 是 NVIDIA 官方推理引擎針對 Hopper/Blackwell 架構深度優化極致性能In-flight Batching 比 Continuous Batching 更精細量化支持FP8、INT4、INT8 原生支持多 GPUTensor Parallel、Pipeline Parallel 成熟生態完整與 Triton Inference Server 無縫集成TensorRT-LLM 的性能通常是最優的但工程成本也最高——需要編譯優化、模型轉換迭代周期長。2.3 LMDeploy國產模型推理引擎LMDeploy 由上海人工智能實驗室開發核心特性Turbomind自研推理引擎國產 GPU/CPU 全面支持量化支持AWQ、GPTQ、BNB 原生國產硬件支持華為昇騰、寒武紀、海光 DCULMDeploy 是國產模型InternLM、Qwen、DeepSeek的官方推薦引擎特別適合國產硬件環境。三、性能對比與選型決策基于公開 benchmark不同引擎的性能各有側重。但要注意性能數據受硬件、模型、上下文長度、batch size 等多因素影響選型時一定要用自己的場景做基準測試。3.1 選型決策框架第一層數據敏感嗎數據不能出境 → 本地部署Ollama 或 vLLM數據可以上云 → 托管 API 或云上自建第二層并發高嗎高并發生產 → vLLM / SGLang / TensorRT-LLM單用戶低并發 → Ollama第三層需要結構化輸出嗎Agent 場景、Tool Calling → SGLang普通對話 → vLLM第四層追求極致性能嗎是且愿意投入工程成本 → TensorRT-LLM否快速落地 → vLLM3.2 混合部署策略2026 年的最佳實踐往往是混合部署簡單任務用小模型本地 Ollama 或小參數量模型成本低復雜任務用大模型vLLM 或托管 API質量高模型分級路由根據任務復雜度動態路由到不同模型這種模型分級策略能在保證質量的前提下顯著降低推理成本。四、部署避坑指南坑一忽略基準測試。直接照搬別人的性能數據結果自己的場景表現完全不同。選型前一定要用自己的數據、自己的場景跑基準測試。坑二KV Cache 配置不當。顯存分配不合理要么 OOM要么并發上不去。要根據場景調整gpu_memory_utilization。坑三忽視前綴緩存。Agent 場景前綴高度重復不開前綴緩存浪費大量 Prefill 算力。坑四量化一刀切。所有模型都量化到 INT4結果精度下降影響業務。要根據精度要求選擇量化級別。坑五沒有監控。部署后不監控 TTFT、TPOT、吞吐量、顯存出問題無法定位。五、從選型到上線的完整路徑第一步明確需求。數據敏感性、并發量、延遲要求、成本預算、團隊運維能力。第二步小規模驗證。用真實場景跑基準測試對比候選方案的性能、成本、易用性。第三步確定主方案。根據測試結果選擇主方案同時設計降級方案。第四步生產部署。容器化、監控告警、彈性伸縮、灰度發布。第五步持續優化。基于線上數據持續調優 KV Cache、量化、批處理策略。六、總結2026 年的推理部署方案已經高度分化沒有最好的方案只有最合適的方案。個人開發選 Ollama企業生產選 vLLM/SGLang追求極致性能選 TensorRT-LLM快速上線選托管 API國產硬件選 LMDeploy。選型的核心是用數據說話明確需求、跑基準測試、對比性能成本、確定主方案。同時記住混合部署和模型分級是 2026 年的降本利器——簡單任務用小模型復雜任務用大模型動態路由成本最優。Markdown編輯器所展示的歡迎頁。如果你想學習如何使用Markdown編輯器, 可以仔細閱讀這篇文章了解一下Markdown的基本語法知識。新的改變我們對Markdown編輯器進行了一些功能拓展與語法支持除了標準的Markdown編輯器功能我們增加了如下幾點新功能幫助你用它寫博客全新的界面設計將會帶來全新的寫作體驗在創作中心設置你喜愛的代碼高亮樣式Markdown將代碼片顯示選擇的高亮樣式進行展示增加了圖片拖拽功能你可以將本地的圖片直接拖拽到編輯區域直接展示全新的KaTeX數學公式語法增加了支持甘特圖的mermaid語法1功能增加了多屏幕編輯Markdown文章功能增加了焦點寫作模式、預覽模式、簡潔寫作模式、左右區域同步滾輪設置等功能功能按鈕位于編輯區域與預覽區域中間增加了檢查列表功能。功能快捷鍵撤銷Ctrl/CommandZ重做Ctrl/CommandY加粗Ctrl/CommandB斜體Ctrl/CommandI標題Ctrl/CommandShiftH無序列表Ctrl/CommandShiftU有序列表Ctrl/CommandShiftO檢查列表Ctrl/CommandShiftC插入代碼Ctrl/CommandShiftK插入鏈接Ctrl/CommandShiftL插入圖片Ctrl/CommandShiftG查找Ctrl/CommandF替換Ctrl/CommandG合理的創建標題有助于目錄的生成直接輸入1次#并按下space后將生成1級標題。輸入2次#并按下space后將生成2級標題。以此類推我們支持6級標題。有助于使用TOC語法后生成一個完美的目錄。如何改變文本的樣式強調文本強調文本加粗文本加粗文本標記文本刪除文本引用文本H2O is是液體。210運算結果是 1024.插入鏈接與圖片鏈接: link.圖片:帶尺寸的圖片:居中的圖片:居中并且帶尺寸的圖片:當然我們為了讓用戶更加便捷我們增加了圖片拖拽功能。如何插入一段漂亮的代碼片去博客設置頁面選擇一款你喜歡的代碼片高亮樣式下面展示同樣高亮的代碼片.// An highlighted blockvarfoobar;生成一個適合你的列表項目項目項目項目1項目2項目3計劃任務完成任務創建一個表格一個簡單的表格是這么創建的項目Value電腦$1600手機$12導管$1設定內容居中、居左、居右使用:---------:居中使用:----------居左使用----------:居右第一列第二列第三列第一列文本居中第二列文本居右第三列文本居左SmartyPantsSmartyPants 是一個文本轉換工具主要功能是將普通的 ASCII 標點符號自動轉換為更美觀的印刷體標點符號。例如原始符號轉換后說明引號“引號”直引號變彎引號單引號‘單引號’直單引號變彎單引號--–兩個連字符變短破折號---—三個連字符變長破折號...…三個點變省略號創建一個自定義列表MarkdownText-to-HTMLconversion toolAuthorsJohnLuke如何創建一個注腳一個具有注腳的文本。2注釋也是必不可少的Markdown將文本轉換為HTML。KaTeX數學公式您可以使用渲染LaTeX數學表達式 KaTeX:Gamma公式展示Γ ( n ) ( n ? 1 ) ! ? n ∈ N \Gamma(n) (n-1)!\quad\forall n\in\mathbb NΓ(n)(n?1)!?n∈N是通過歐拉積分Γ ( z ) ∫ 0 ∞ t z ? 1 e ? t d t . \Gamma(z) \int_0^\infty t^{z-1}e^{-t}dt\,.Γ(z)∫0∞?tz?1e?tdt.你可以找到更多關于的信息LaTeX數學表達式here.新的甘特圖功能豐富你的文章2014-01-072014-01-092014-01-112014-01-132014-01-152014-01-172014-01-192014-01-21已完成進行中計劃一計劃二現有任務Adding GANTT diagram functionality to mermaid關于甘特圖語法參考 這兒,UML圖表可以使用UML圖表進行渲染例如下面產生的一個序列圖王五李四張三王五李四張三李四想了很長時間, 文字太長了不適合放在一行.你好李四, 最近怎么樣?你最近怎么樣王五我很好謝謝!我很好謝謝!打量著王五...很好... 王五, 你怎么樣?關于UML圖表語法參考 這兒,流程圖鏈接長方形圓圓角長方形菱形關于Mermaid語法參考 這兒,FLowchart流程圖我們依舊會支持flowchart.js的流程圖語法Created with Rapha?l 2.3.0開始我的操作確認結束yesno關于Flowchart流程圖語法參考 這兒.導出與導入導出如果你想嘗試使用此編輯器, 你可以在此篇文章任意編輯。當你完成了一篇文章的寫作, 在上方工具欄找到文章導出生成一個.md文件或者.html文件進行本地保存。導入如果你想加載一篇你寫過的.md文件在上方工具欄可以選擇導入功能進行對應擴展名的文件導入繼續你的創作。mermaid語法說明 ??注腳的解釋 ??