【LLM】Ollama:本地大模型 WebAPI 调用

Ollama 快速部署

  • 安装 Docker :从 Docker 官网 下载并安装。

  • 部署 Ollama

    • 使用以下命令进行部署:
    bash 复制代码
    docker run -d -p 11434:11434 --name ollama --restart always ollama/ollama:latest
  • 进入容器并下载 qwen2.5:0.5b 模型

    • 进入 Ollama 容器:
    bash 复制代码
    docker exec -it ollama bash
    • 在容器内下载模型:
    bash 复制代码
    ollama pull qwen2.5:0.5b

Python 环境准备

在开始之前,请确保您已安装 requests 模块。可以通过以下命令安装:

bash 复制代码
pip install requests

我们还将初始化基本的 API 相关配置,如下所示:

python 复制代码
import requests

# 基础初始化设置
base_url = "http://localhost:11434/api"
headers = {
    "Content-Type": "application/json"
}

对话方式

生成文本补全 (Generate a Completion)

  • API : /generate
  • 功能: 生成指定模型的文本补全。输入提示词后,模型根据提示生成文本结果。
  • 请求方法 : POST
  • Ollama API 参数 :
    • model(必填):模型名称,用于指定生成模型,例如 qwen2.5:0.5b
    • prompt(必填):生成文本所用的提示词。
    • suffix(可选):生成的补全文本之后附加的文本。
    • stream(可选):是否流式传输响应,默认 true,设置为 false 时返回完整文本。
    • system(可选):覆盖模型系统信息的字段,影响生成文本风格。
    • temperature(可选):控制文本生成的随机性,默认值为 1
python 复制代码
def generate_completion(prompt, model="qwen2.5:0.5b"):
    url = f"{base_url}/generate"
    data = {
        "model": model,
        "prompt": prompt,
        "stream": False
    }
    response = requests.post(url, headers=headers, json=data)
    return response.json().get('response', '')

# 示例调用
completion = generate_completion("介绍一下人工智能。")
print("生成文本补全:", completion)

流式生成文本补全 (Streaming Completion)

  • API : /generate
  • 功能: 流式生成文本补全,模型会逐步返回生成的结果,适用于长文本。
  • 请求方法 : POST
  • Ollama API 参数 :
    • model(必填):模型名称。
    • prompt(必填):生成文本所用的提示词。
    • stream(必填):设置为 true,启用流式传输。
python 复制代码
def generate_completion_stream(prompt, model="qwen2.5:0.5b"):
    url = f"{base_url}/generate"
    data = {
        "model": model,
        "prompt": prompt,
        "stream": True
    }
    response = requests.post(url, headers=headers, json=data, stream=True)
    result = ""
    for line in response.iter_lines():
        if line:
            result += line.decode('utf-8')
    return result

# 示例调用
stream_completion = generate_completion_stream("讲解机器学习的应用。")
print("流式生成文本补全:", stream_completion)

生成对话补全 (Chat Completion)

  • API : /chat
  • 功能: 模拟对话补全,支持多轮交互,适用于聊天机器人等场景。
  • 请求方法 : POST
  • Ollama API 参数 :
    • model(必填):模型名称。
    • messages(必填):对话的消息列表,按顺序包含历史对话,每条消息包含 rolecontent
      • role: user(用户)、assistant(助手)或 system(系统)。
      • content: 消息内容。
    • stream(可选):是否流式传输响应,默认 true
python 复制代码
def generate_chat_completion(messages, model="qwen2.5:0.5b"):
    url = f"{base_url}/chat"
    data = {
        "model": model,
        "messages": messages,
        "stream": False
    }
    response = requests.post(url, headers=headers, json=data)
    return response.json().get('message', {}).get('content', '')

# 示例调用
messages = [
    {"role": "user", "content": "什么是自然语言处理?"},
    {"role": "assistant", "content": "自然语言处理是人工智能的一个领域,专注于人与计算机之间的自然语言交互。"}
]
chat_response = generate_chat_completion(messages)
print("生成对话补全:", chat_response)

生成文本嵌入 (Generate Embeddings)

  • API : /embed
  • 功能: 为输入的文本生成嵌入向量,常用于语义搜索或分类等任务。
  • 请求方法 : POST
  • Ollama API 参数 :
    • model(必填):生成嵌入的模型名称。
    • input(必填):文本或文本列表,用于生成嵌入。
    • truncate(可选):是否在文本超出上下文长度时进行截断,默认 true
    • stream(可选):是否流式传输响应,默认 true
python 复制代码
def generate_embeddings(text, model="qwen2.5:0.5b"):
    url = f"{base_url}/embed"
    data = {
        "model": model,
        "input": text
    }
    response = requests.post(url, headers=headers, json=data)
    return response.json()

# 示例调用
embeddings = generate_embeddings("什么是深度学习?")
print("生成文本嵌入:", embeddings)

模型的增删改查

列出本地模型 (List Local Models)

  • API : /tags
  • 功能: 列出本地已加载的所有模型。
  • 请求方法 : GET
  • Ollama API 参数: 无。
python 复制代码
def list_local_models():
    url = f"{base_url}/tags"
    response = requests.get(url, headers=headers)
    return response.json().get('models', [])

# 示例调用
local_models = list_local_models()
print("列出本地模型:", local_models)

查看模型信息 (Show Model Information)

  • API : /show
  • 功能: 查看特定模型的详细信息,如模型的参数、版本、系统信息等。
  • 请求方法 : POST
  • Ollama API 参数 :
    • name(必填):需要查看信息的模型名称。
    • verbose(可选):设置为 true 时返回更详细的信息。
python 复制代码
def show_model_info(model="qwen2.5:0.5b"):
    url = f"{base_url}/show"
    data = {"name": model}
    response = requests.post(url, headers=headers, json=data)
    return response.json()

# 示例调用
model_info = show_model_info()
print("模型信息:", model_info)

创建模型 (Create a Model)

  • API : /create
  • 功能 : 根据指定的 Modelfile 创建一个新模型,可以在已有模型的基础上定制。
  • 请求方法 : POST
  • Ollama API 参数 :
    • name(必填):新创建的模型名称。
    • modelfile(可选):模型文件的内容,定义模型的基础信息。
    • stream(可选):是否流式传输响应。
python 复制代码
def create_model(model_name="qwen2.5_custom", base_model="qwen2.5:0.5b"):
    url = f"{base_url}/create"
    data = {
        "name": model_name,
        "modelfile": f"FROM {base_model}\nSYSTEM You are a helpful assistant."
    }
    response = requests.post(url, headers=headers, json=data)
    return response.json()

# 示例调用
create_response = create_model()
print("创建模型:", create_response)

拉取模型 (Pull a Model)

  • API : /api/pull
  • 功能: 从 Ollama 库下载模型。取消的拉取将从上次中断的位置继续,并且多个调用将共享相同的下载进度。
  • 请求方法 : POST
  • Ollama API 参数 :
    • name(必填):要拉取的模型名称。
    • insecure(可选):允许与库建立不安全的连接,仅在开发过程中从自己的库中提取时使用。
    • stream(可选):如果为 false,响应将作为单个响应对象返回,而不是对象流。
python 复制代码
def pull_model(model_name="qwen2.5:0.5b"):
    url = f"{base_url}/api/pull"
    data = {"name": model_name}
    response = requests.post(url, headers=headers, json=data)
    return response.json()

# 示例调用
pull_response = pull_model()
print("拉取模型:", pull_response)

删除模型 (Delete a Model)

  • API : /delete
  • 功能: 删除本地模型以及其相关的数据。
  • 请求方法 : DELETE
  • Ollama API 参数 :
    • name(必填):需要删除的模型名称。
python 复制代码
def delete_model(model_name="qwen2.5_custom"):
    url = f"{base_url}/delete"
    data = {"name": model_name}
    response = requests.delete(url, headers=headers, json=data)
    return response.json()

# 示例调用
delete_response = delete_model()
print("删除模型:", delete_response)
相关推荐
Theodore_10222 小时前
4 设计模式原则之接口隔离原则
java·开发语言·设计模式·java-ee·接口隔离原则·javaee
网易独家音乐人Mike Zhou3 小时前
【卡尔曼滤波】数据预测Prediction观测器的理论推导及应用 C语言、Python实现(Kalman Filter)
c语言·python·单片机·物联网·算法·嵌入式·iot
安静读书3 小时前
Python解析视频FPS(帧率)、分辨率信息
python·opencv·音视频
----云烟----4 小时前
QT中QString类的各种使用
开发语言·qt
lsx2024064 小时前
SQL SELECT 语句:基础与进阶应用
开发语言
小二·4 小时前
java基础面试题笔记(基础篇)
java·笔记·python
开心工作室_kaic5 小时前
ssm161基于web的资源共享平台的共享与开发+jsp(论文+源码)_kaic
java·开发语言·前端
向宇it5 小时前
【unity小技巧】unity 什么是反射?反射的作用?反射的使用场景?反射的缺点?常用的反射操作?反射常见示例
开发语言·游戏·unity·c#·游戏引擎
武子康5 小时前
Java-06 深入浅出 MyBatis - 一对一模型 SqlMapConfig 与 Mapper 详细讲解测试
java·开发语言·数据仓库·sql·mybatis·springboot·springcloud
转世成为计算机大神5 小时前
易考八股文之Java中的设计模式?
java·开发语言·设计模式