Ollama部署全攻略！从安装到精通，本地运行开源大模型，看这一篇就足够了！

原创于 2025-12-10 10:48:37 发布 · 1k 阅读

17 ·

CC 4.0 BY-SA版权

文章标签：

#开源 #c# #开发语言 #知识图谱 #人工智能 #机器学习 #运维

你有没有考虑过在本地运行开源LLM？
你是否不得不手动下载庞大的模型文件？
你是否努力构建本地模型的API？
你是否尝试在本地管理多个模型？

我猜你确实考虑过！这些都是繁重的体力劳动。

幸运的是，这里有Ollama。

Ollama是一款流行的大模型管理工具，用于在本地部署和运行大型语言模型

现在，你不再需要担心这些麻烦了，一款单一的应用程序可以解决所有这些问题。

你只需要访问他们的官方网站，下载应用程序并进行安装。就这样！现在，你将拥有一个用于模型管理的CLI或GUI，包括拉取、移除、运行、创建自定义模型等功能。

Ollama支持哪些模型？

Ollama支持一大波主流的模型。你可以在 https://ollama.ai/library 上找到它所支持的模型列表。

目前的列表如下：

llama2
mistral
llava
mixtral
starling-lm
neural-chat
codellama
dolphin-mixtral
mistral-openorca
llama2-unsensored
……

运行Ollama

当你完成了应用程序的安装，你可以通过运行Ollama的桌面应用程序来启动它。或者，你也可以通过CLI来启动它：

$ ollama serve

Ollama CLI

我们来看看Ollama的命令行接口。

拉取模型

命令 ollama pull 会为你自动下载模型文件。

01coder@X8EF4F3X1O ollama-libraries-example % ollama pull tinyllama
pulling manifest
pulling manifest                                                     MB/s      4s                                                               ▏ 284 MB/637 MB   28 MB/s     12s
pulling 2af3b81862c6... 100% ▕████▏ 637 MB
pulling af0ddbdaaa26... 100% ▕████▏   70 B
pulling c8472cd9daed... 100% ▕████▏   31 B
pulling fa956ab37b8c... 100% ▕████▏   98 B
pulling 6331358be52a... 100% ▕████▏  483 B
verifying sha256 digest
writing manifest
removing any unused layers
success

运行模型

命令ollama run 运行模型并开启与指定模型的交互式对话。

01coder@X8EF4F3X1O ollama-libraries-example % ollama run orca-mini
>>> Explain the word distinct
Distinct means separate or distinct from others, with no
similarity or connection to others. It refers to something that
is unique or different in a way that cannot be easily identified
or compared with other things. In other words, something that is
distinct is not like anything else that you might encounter.
>>> What did I ask?
You asked me to explain the word "distinct".
>>> Send a message (/? for help)

查询本地部署的模型

命令ollama list列出所有本地下载部署的模型。

01coder@X8EF4F3X1O ollama-libraries-example % ollama list
NAME                    ID              SIZE    MODIFIED
llama2:7b-chat          fe938a131f40    3.8 GB  8 weeks ago
orca-mini:latest        2dbd9f439647    2.0 GB  25 hours ago
phi:latest              e2fd6321a5fe    1.6 GB  29 hours ago
tinyllama:latest        2644915ede35    637 MB  6 minutes ago

Ollama HTTP API

当你启动Ollama时，它会提供一系列用于模型管理的API。请参考以下文档以获取完整的端点列表:

https://github.com/ollama/ollama/blob/main/docs/api.md

文本补全

Ollama默认监听在11434端口。

curl http://localhost:11434/api/generate -d '{
"model": "orca-mini",
"prompt":"Explain the word distinct"
}'

聊天补全

curl http://localhost:11434/api/chat -d '{
"model": "orca-mini",
"messages": [
{ "role": "user", "content": "Explain the word distinct" }
]
}'

Python与Javascript开发包

最近，Ollama发布了Python和JavaScript库，允许开发人员以最小的工作量将Ollama集成到现有或新的应用程序中。

Python: https://github.com/ollama/ollama-python
JavaScript: https://github.com/ollama/ollama-js

Python库用例 | 使用Streamlit应用与LLM聊天

Streamlit是一个非常适合快速开发AI应用程序的开发框架。

我创建了一个简单的项目，演示了如何使用Ollama Python库与Streamlit一起构建一个Web应用程序，用户可以通过该应用与Ollama支持的任何模型进行聊天。请使用以下链接查看：

https://github.com/sugarforever/ollama-libraries-example/tree/main/python

这是基于一个使用OpenAI Python SDK的Streamlit教程创建的：

https://docs.streamlit.io/knowledge-base/tutorials/build-conversational-apps

代码非常简单易懂，这里分享一些关键要点：

获取模型列表

import ollama
model_list = ollama.list()

与模型聊天

与OpenAI Python SDK相比，Ollama Python库的chat函数返回不同格式的数据。在流模式下，应该以如下方式解析块：

full_response = ""
for chunk in ollama.chat(
model=st.session_state["model_name"],
messages=[
{"role": m["role"], "content": m["content"]}
for m in st.session_state.messages
],
stream=True,
):
if 'message' in chunk and 'content' in chunk['message']:
full_response += (chunk['message']['content'] or "")
message_placeholder.markdown(full_response + "▌")

通过该示例应用，你应该看到类似如下界面。

如何学习大模型 AI ？

由于新岗位的生产效率，要优于被取代岗位的生产效率，所以实际上整个社会的生产效率是提升的。

但是具体到个人，只能说是：

“最先掌握AI的人，将会比较晚掌握AI的人有竞争优势”。

这句话，放在计算机、互联网、移动互联网的开局时期，都是一样的道理。

我在一线互联网企业工作十余年里，指导过不少同行后辈。帮助很多人得到了学习和成长。

我意识到有很多经验和知识值得分享给大家，也可以通过我们的能力和经验解答大家在人工智能学习中的很多困惑，所以在工作繁忙的情况下还是坚持各种整理和分享。但苦于知识传播途径有限，很多互联网行业朋友无法获得正确的资料得到学习提升，故此将并将重要的AI大模型资料包括AI大模型入门学习思维导图、精品AI大模型学习书籍手册、视频教程、实战学习等录播视频免费分享出来。

在这里插入图片描述

第一阶段（10天）：初阶应用

该阶段让大家对大模型 AI有一个最前沿的认识，对大模型 AI 的理解超过 95% 的人，可以在相关讨论时发表高级、不跟风、又接地气的见解，别人只会和 AI 聊天，而你能调教 AI，并能用代码将大模型和业务衔接。

大模型 AI 能干什么？
大模型是怎样获得「智能」的？
用好 AI 的核心心法
大模型应用业务架构
大模型应用技术架构
代码示例：向 GPT-3.5 灌入新知识
提示工程的意义和核心思想
Prompt 典型构成
指令调优方法论
思维链和思维树
Prompt 攻击和防范
…

第二阶段（30天）：高阶应用

该阶段我们正式进入大模型 AI 进阶实战学习，学会构造私有知识库，扩展 AI 的能力。快速开发一个完整的基于 agent 对话机器人。掌握功能最强的大模型开发框架，抓住最新的技术进展，适合 Python 和 JavaScript 程序员。

为什么要做 RAG
搭建一个简单的 ChatPDF
检索的基础概念
什么是向量表示（Embeddings）
向量数据库与向量检索
基于向量检索的 RAG
搭建 RAG 系统的扩展知识
混合检索与 RAG-Fusion 简介
向量模型本地部署
…

第三阶段（30天）：模型训练

恭喜你，如果学到这里，你基本可以找到一份大模型 AI相关的工作，自己也能训练 GPT 了！通过微调，训练自己的垂直大模型，能独立训练开源多模态大模型，掌握更多技术方案。

到此为止，大概2个月的时间。你已经成为了一名“AI小子”。那么你还想往下探索吗？

为什么要做 RAG
什么是模型
什么是模型训练
求解器 & 损失函数简介
小实验2：手写一个简单的神经网络并训练它
什么是训练/预训练/微调/轻量化微调
Transformer结构简介
轻量化微调
实验数据集的构建
…

第四阶段（20天）：商业闭环

对全球大模型从性能、吞吐量、成本等方面有一定的认知，可以在云端和本地等多种环境下部署大模型，找到适合自己的项目/创业方向，做一名被 AI 武装的产品经理。

硬件选型
带你了解全球大模型
使用国产大模型服务
搭建 OpenAI 代理
热身：基于阿里云 PAI 部署 Stable Diffusion
在本地计算机运行大模型
大模型的私有化部署
基于 vLLM 部署大模型
案例：如何优雅地在阿里云私有部署开源大模型
部署一套开源 LLM 项目
内容安全
互联网信息服务算法备案
…

学习是一个过程，只要学习就会有挑战。天道酬勤，你越努力，就会成为越优秀的自己。

如果你能在15天内完成所有的任务，那你堪称天才。然而，如果你能完成 60-70% 的内容，你就已经开始具备成为一名大模型 AI 的正确特征了。

这份完整版的大模型 AI 学习资料已经上传优快云，朋友们如果需要可以微信扫描下方优快云官方认证二维码免费领取【`保证100%免费`】