Ollama模型运行详细入门指南：新手必看的本地部署与模型调用教程

用Ollama部署大模型，具体操作流程是怎样的？

直截了当教你把模型拉到本地跑起来。Ollama在本地运行大语言模型确实高效，从拉取模型、启动推理到各项配置调整，几步就能搞定。无论你的操作系统是Windows、macOS还是Linux，只要Ollama装好，下面的步骤基本通用。

一. 拉取模型

想运行模型，得先从Ollama仓库把模型文件拉到本地。这个过程叫“拉取”。

命令非常简单：

ollama pull 

举个例子，拉取LLaMA 3的8B参数版本：

ollama pull llama3

当前热门模型推荐：

• llama3：Meta出品，通用任务表现出色。
• mistral：Mistral AI的模型，推理效率业界领先。
• phi3：微软的轻量级选手，低配置设备也能流畅运行。

想探索更多模型，直接访问Ollama模型库，或在终端执行 ollama list 查看本地已下载的清单。

关键提醒：

模型文件通常体积较大，几个GB只是起步。务必确保网络稳定且磁盘空间充足。另外，可按需选择不同大小的模型版本，比如 llama3:8b 和 llama3:70b，小模型对硬件的要求明显更低。

二. 运行模型

模型拉取到本地后，如何启动？Ollama提供两种方案：终端直接交互与API调用。两种方式都很实用。

方式 1：交互式终端

一条命令搞定：

ollama run 

例如：

ollama run llama3

进入后是什么体验？

直接进入对话模式，你输入一句，模型立刻回复一句。例如输入 "What is the capital of France?"，模型会回应 "The capital of France is Paris."。退出时输入 /exit 或按 Ctrl+D 即可。

方式 2：通过 API 运行

Ollama同时提供REST API，对需要将模型集成到应用或脚本中的开发者来说，极为便捷。

默认地址：http://localhost:11434

用 curl 测试：

curl http://localhost:11434/api/generate -d '{
  "model": "llama3",
  "prompt": "Write a short poem about the moon."
}'

返回内容：模型会生成一段JSON格式的文本，解析方便。

编程集成示例（Python）：

import requests
response = requests.post('http://localhost:11434/api/generate', json={
    'model': 'llama3',
    'prompt': 'Hello, world!'
})
print(response.json())

三. 管理运行中的模型

模型跑起来后，如何管理？

查看已下载的模型列表：

ollama list

删除模型以释放空间：

ollama rm 

检查当前后台运行的模型实例：

ollama ps

该命令会清晰显示当前正在运行的模型实例。

四. 优化运行性能

不同模型对硬件的要求差异很大。

硬件门槛大致参考：

• 小模型（如 phi3）：4-8GB内存基本可运行。
• 大模型（如 llama3:70b）：16GB以上内存是底线，配备GPU能大幅提升性能。

GPU 加速务必配置：

如果机器有独立显卡，记得安装NVIDIA CUDA驱动（Windows/Linux）或Metal（macOS）。Ollama检测到可用GPU时会默认启用加速。

参数调整：

想知道运行细节，可加 --verbose 参数。要调整生成温度、top-k等参数，通过API指定即可：

{
  "model": "llama3",
  "prompt": "Tell a story",
  "temperature": 0.7,
  "top_p": 0.9
}

同时运行多个模型：

Ollama支持同时运行多个模型，但前提是内存和CPU/GPU资源充足，否则会出现卡顿。

五. 常见问题

实际操作中可能会遇到的坑。

模型未找到：首先确认是否执行了 ollama pull，模型没下载到本地肯定无法运行。

运行缓慢：考虑换用更小的模型，或检查GPU加速是否生效。

端口占用：Ollama默认使用11434端口，若被其他程序占用，可通过环境变量修改：

export OLLAMA_HOST=127.0.0.1:11435

内存不足：关闭一些占用内存的应用，或选择参数量更小的模型。

六. 进阶使用

基础玩法满足不了时，可以尝试更深度的操作。

自定义模型：通过 Modelfile 文件创建专属于你的模型，例如自定义提示词、调整参数，然后使用：

ollama create mymodel -f Modelfile

批量处理：编写脚本循环调用API，一次性完成大量任务，大幅提升效率。

嵌入生成：调用 /api/embeddings 端点生成文本嵌入，适用于搜索、分类等场景。

示例场景

对话：直接 ollama run mistral 即可与模型聊天。

代码生成：输入 Write a Python script to sort a list，模型会直接输出代码。

API 集成：将Ollama嵌入Web应用，实现实时内容生成。

如需特定模型运行示例或API集成代码，直接调整对应参数即可。

七. ollama run 命令详解

Ollama运行模型的核心命令是 ollama run。

例如运行 Llama 3.2 并进行对话：

ollama run llama3.2

执行后，若本地没有该模型，它会自动下载：

下载完成后，即可在终端中开始交互：

writing manifest 
success 
>>> 你好
Hello
>>> 能讲中文吗
是的，我可以在 Chinese 中对話。哪些话题或问题想要了解我呢？

结束对话，输入 /bye 或按 Ctrl+d 即可。

用 ollama list 查看已安装的模型：

NAME           ID              SIZE      MODIFIED      
llama3.2    baf6a787fdff    1.3 GB    4 minutes ago

支持的模型列表可查阅官网：https://ollama.com/library

下表列出一些常用模型的下载命令：

八. 通过 Python SDK 使用模型

若要在Python代码中直接调用Ollama，官方提供的Python SDK流程清晰。

1. 安装 Python SDK

通过pip安装：

pip install ollama

2. 编写 Python 脚本

下面是最简单的示例，用Llama 3.2模型生成回答：

import ollama
response = ollama.generate(
    model="llama3.2",  # 模型名称
    prompt="你是谁。"  # 提示文本
)
print(response)

3. 运行 Python 脚本

在终端执行脚本：

python test.py

模型会根据输入返回对应回答。

4. 对话模式

如需多轮对话，可使用 chat 接口：

from ollama import chat
response = chat(
    model="llama3.2",
    messages=[
        {"role": "user", "content": "为什么天空是蓝色的？"}
    ]
)
print(response.message.content)

5. 流式响应

当模型输出较慢时，流式响应可不断获取生成内容，用户体验更佳：

from ollama import chat
stream = chat(
    model="llama3.2",
    messages=[{"role": "user", "content": "为什么天空是蓝色的？"}],
    stream=True
)
for chunk in stream:
    print(chunk["message"]["content"], end="", flush=True)