Ollama本地部署大模型总结

日拱一卒，功不唐捐

今天计划对之前ollama系列做个回顾，从如何部署到API使用，整理到一篇内容中，提供给大家参考。

安装指南

第一步：安装ollama

我们可以从官网下载ollama，此步骤支持windows、mac、ubuntu操作系统，此处仅以windows作为演示。

打开ollama官网：https://ollama.com 点击download按钮进行下载，下载完成后点击安装。

安装完成后，你的电脑右下角会有ollama的图标（如果没有看到，可以展开这点的状态栏检查）

验证安装是否成功：打开命令行（WIN+R，在运行中输入cmd后回车），输入ollama --version，如果命令执行成功，并输出了版本信息，说明安装成功了。

第二步：下载deepseek

打开命令行（WIN+R，在运行中输入cmd后回车），下载并运行deepseek-r1 1.5b蒸馏版。

ollama run deepseek-r1:1.5b

下载完成后，ollama会为我们运行刚下载的大模型。下面是我运行成功的截图：

第三步：使用大模型

恭喜你已经在本地成功安装了第一个私有大模型。运行成功以后，我们可以直接在命令行和deepseek对话。

如你所见，这就是一个简单的对话窗口，也是大模型最原始的形态。

使用指南

安装完成后我们看到的是一个命令行窗口，使用起来并不方便。为了解决这个问题，我们需要将ollama集成到常用的AI工具中进行使用。

Chatbox篇

进入下载页面 https://chatboxai.app/zh 点击免费下载，下载完成后双击下载文件，完成安装。

安装完成后打开，你会看到一个聊天窗口：

使用ollama中的大模型

我们在上一篇中在本地安装了ollama和deepseek，现在我们把它集成到刚安装的chatbox中。

点击chatbox左下角的设置，我们仅需要三步即可完成配置：

1. 模型提供方，选择Ollama API
2. API域名，使用默认值
3. 模型下拉框，我们选择deepseek-r1:1.5b

设置完成后点击保存，我们就完成了ollama的集成。

和本地大模型对话

点击左侧新对话，开启新的对话。

向大模型提问试试吧

创建智能体

恭喜你已经完成了ollama和chatbox的集成，现在你的对话数据都保留在本地，绝对的安全和隐私。

接下来，我们要定义一个自己的智能体，它可以为你完成特定的任务。

点击左下方的"我的搭档"，可以看到里面有很多chatbox预设的智能体：

如果没有找到你想要的，那么我们可以自定义一个智能体，让deepseek帮我们写周报。

点击新增

点击"创建新的AI搭档"按钮，打开创建智能体的对话框。我们需要两步：

1. 输入搭档名称：周报生成器
2. 输入人物设定：

角色：你是一个高效可靠的周报生成器，能够将用户输入的信息转化为一份高质量的周报。
目标：收集用户输入的工作内容，对工作内容进行筛选和精简，做好排版，将排版好的周报输出。阅读对象是直属领导，需要注意语气和措辞

3. 勾选掉分享给其它用户，然后保存

使用周报生成器

回到"我的搭档"对话框，点击刚刚定义好的周报生成器，开启新的对话窗口。

输入你本周的工作内容，试试deepseek帮你生成的周报吧

我这里看着还不错，甚至可以直接发给领导了，你生成的内容怎么样？遇到任何问题欢迎评论区和我交流

CherryStudio篇

CherryStudio 是一款集多模型对话、知识库管理、AI 绘画、翻译等功能于一体的全能 AI 助手平台。 CherryStudio的高度自定义的设计、强大的扩展能力和友好的用户体验，使其成为专业用户和 AI 爱好者的理想选择。无论是零基础用户还是开发者，都能在 CherryStudio 中找到适合自己的AI功能，提升工作效率和创造力。

安装cherryStudio

官网地址：https://cherry-ai.com/

源代码地址：https://github.com/CherryHQ/cherry-studio

从官网进行下载，小伙伴们注意，这个软件是完全免费的，不要相信任何收费版。

下载完成后进行安装。运行起来后界面如下：

集成ollama中的本地模型

将cherryStudio运行起来后，点击界面左下角的小齿轮进行设置。

1. 点击左下角的小齿轮打开设置
2. 在模型列表中选择ollama
3. 点击右上角开关打开ollama
4. API密钥空着不要填，API地址使用本地地址
5. 点击管理，选择我们之前已经下载的deepseek r1模型

设置完成后点击左上角的聊天图标，即可开始进行AI对话了。

恭喜你，完成这一步骤，我们就已经成功的将ollama和cherryStudio集成到了一起。接下来让我们试试创建智能体吧。

创建智能体

在cherryStudio中集成了很多智能体，你只需要点击添加即可开始使用。

我们点击右侧"创建智能体"来创建一个自定义的智能体。

名字：周报生成器

提示词：

角色：你是一个高效可靠的周报生成器，能够将用户输入的信息转化为一份高质量的周报。

目标：收集用户输入的工作内容，对工作内容进行筛选和精简，做好排版，将排版好的周报输出。阅读对象是直属领导，需要注意语气和措辞

创建完成后，点击智能体，添加到助手中。然后回到聊天界面，使用新创建的智能体开始对话：

搭建知识库

AI知识库，作为人工智能技术与传统知识库概念的融合，是指利用人工智能算法和技术构建、管理和维护的信息存储系统。它不仅包含了大量的结构化、半结构化和非结构化数据，还具备智能检索、推理分析、自我学习和优化等高级功能。AI知识库通过模拟人类的认知过程，实现了对知识的有效组织和高效利用，为各种应用场景提供了强大的支持。

知识库是如何工作的？

知识库工作流程图（来源于CherryStudio Doc）：

在上面的流程图里，我们可以看到知识库工作的步骤：

1. 用户提问时，AI工具先查询知识库里已有的内容
2. 将查询到的内容和用户的提问发送给大模型
3. 大模型根据提供的内容生成答案

使用知识库增强检索来生成答案的技术有一个专门的名词RAG，这里面涉及到几个概念，如果你感兴趣可以继续深挖（由于本篇内容针对的是入门教程，不做太多概念性的讲解，后面有机会了再专门介绍）

构建私有知识库

接下来我们通过cherryStudio来构建私有的知识库。

首先打开cherryStudio，点击左侧的知识库：

获取嵌入模型

在构建知识库的过程中，需要选择要使用的嵌入模型。嵌入模型的主要功能是将用户的文本、图片等内容生成向量数据，用作向量搜索的。

在ollama中有很多嵌入模型供我们选择使用。我这里使用的是bge-m3，你可以通过下面的指令获取：

ollama pull bge-m3

注意：嵌入模型保存后不允许修改

添加知识内容

为了进行演示，我们将本系列教程的前三篇放入知识库中：

然后创建一个新的对话，在对话中选择创建的知识库：

验证一下效果（效果并不理想）：

话外音

感觉deepseek又开始一本正经的胡说八道了，这可能和我们选择的模型有关，我们当前使用的是1.5b的模型，如果你的硬件允许，可以尝试下载更大的模型进行测试

我换了一个deepseek-r1:7b的模型重新验证了一下，效果比上面的要好一些：

影响知识库的因素

通过上面的例子我们可以看到，当切换了模型之后，生成内容的准确性有所提高。这说明我们需要尝试不同的模型，来达到自己满意的效果。

通常来说影响知识库输出质量的因素有：

• 文档的质量
• 嵌入模型的能力
• 向量数据库的检索
• 文档相关性排序能力
• 系统Prompt质量
• 大模型生成能力

当我们在进行实践时，切记一定要先进行验证，验证满意后再进行大规模的实施。

Ollama API 使用指南

Ollama 提供了一套简单好用的接口，让开发者能通过API轻松使用大语言模型。

本篇内容将使用Postman作为请求工具，和开发语言无关。

基本概念

在开始之前，我们先了解几个基本的概念：

• Model ：模型，我们调用接口时使用的模型名字。我们可以把Ollama理解为模型商店，它里面运行着很多模型，每个模型都有一个唯一的名字，例如deepseek-r1:1.5b
• Prompt : 提示词，是我们给模型的指令。比如天空为什么是蓝色的就是一条简单的提示词。
• Token ：字符块，是大模型的最小输出单位，同时也是大模型的计费单位。举个例子，对于天空为什么是蓝色的这句话，大模型会进行拆分天空/为什么/是/蓝色/的，每一段就是一个token（实际情况会比这个例子复杂）

内容生成（/api/generate）

让大模型帮我们生成指定的内容，就可以使用内容生成接口。一问一答，不带上下文。

我们试着用最少的参数来调用：

{
  "model": "deepseek-r1:1.5b",
  "prompt": "天空为什么是蓝色的"
}

在postman里面看看输出：

可以看到输出的内容很长，这是因为默认采用的是stream的方式输出的，也就是我们在deepseek app里面看到的一个字一个字输出的那种效果。我们可以将stream参数设置成false来禁用流式输出。

{
    "model": "deepseek-r1:1.5b",
    "prompt": "天空为什么是蓝色的",
    "stream": false
}

参数列表

参数名	是否必填	描述
model	是	模型名称
prompt	是	需要生成响应的提示词
suffix	否	模型响应后追加的文本
images	否	Base64编码的图片列表（适用于多模态模型如llava）
format	否	返回响应的格式（可选值：json 或符合 JSON Schema 的结构）
options	否	模型额外参数（对应 Modelfile 文档中的配置如 temperature）
system	否	自定义系统消息（覆盖 Modelfile 中的定义）
template	否	使用的提示词模板（覆盖 Modelfile 中的定义）
stream	否	设为 false 时返回单个响应对象而非流式对象
raw	否	设为 true 时不格式化提示词（适用于已指定完整模板的情况）
keep_alive	否	控制模型在内存中的保持时长（默认：5m）
context	否	（已弃用）来自前次 /generate 请求的上下文参数，用于维持短期对话记忆

生成对话（/api/chat）

生成对话，是一种具备上下文记忆的内容生成。在内容生成API中，我们仅传入了prompt，大模型仅对我们本地的prompt进行回答，而在生成对话API中，我们还可以传入messages参数，包含我们多轮对话内容，使大模型具备记忆功能。

最简单的调用（为了方便演示，我们将stream参数设置为false）：

{
    "model": "deepseek-r1:1.5b",
    "messages": [
        {
            "role": "user",
            "content": "天空通常是什么颜色"
        }
    ],
    "stream": false
}

postman调用截图：

多轮对话

聊天的时候，ollama通过messages参数保持上下文记忆。当模型给我们回复内容之后，如果我们要继续追问，则可以使用以下方法（注意：deepseek-r1模型需要在上下文中移除think中的内容）：

{
    "model": "deepseek-r1:1.5b",
    "messages": [
        {
            "role": "user",
            "content": "天空通常是什么颜色"
        },
        {
            "role": "assistant",
            "content": "天空通常看起来是**柔和的、明快的或稍微有些昏黄的色调**。具体颜色可能会因不同的天气情况而有所变化，例如：\n\n1. **晴朗天气**：天空可能呈现出温暖、明亮的颜色，比如蓝天、碧空等。\n2. **下雨天**：云层覆盖天空，可能导致颜色较为阴郁或变黑。\n3. **雨后天气**：雨后的天空可能恢复为明亮的色调。\n\n总的来说，天空的颜色主要取决于大气中的光线反射和折射情况，以及太阳的位置。"
        },
        {
            "role": "user",
            "content": "为什么是蓝色的？"
        }
    ],
    "stream": false
}

postman调用截图：

结构化数据提取

当我们和系统对接时，通常要需要从用户的自然语言中提到结构化数据，用来调用现有的外部系统的接口。在ollama中我们只需要指定format参数，就可以实现结构化数据的提取：

{
    "model": "deepseek-r1:1.5b",
    "messages": [
        {
            "role": "user",
            "content": "哈喽，大家好呀~ 我是拓荒者IT，今年36岁了，是一名软件工程师"
        }
    ],
    "format": {
        "type": "object",
        "properties": {
            "name": {
                "type": "string"
            },
            "age": {
                "type": "integer"
            },
            "job": {
                "type": "string"
            }
        },
        "required": [
            "name",
            "age",
            "job"
        ]
    },
    "stream": false
}

参数列表

参数名	是否必填	描述
model	是	模型名称
messages	是	聊天消息数组（用于维持对话记忆）
messages.role	是	消息角色（可选值：system, user, assistant, tool）
messages.content	是	消息内容
messages.images	否	消息中Base64编码的图片列表（适用于多模态模型如llava）
messages.tool_calls	否	模型希望调用的工具列表（JSON格式）
tools	否	模型可使用的工具列表（JSON格式，需模型支持）
format	否	返回响应的格式（可选值：json 或符合 JSON Schema 的结构）
options	否	模型额外参数（对应 Modelfile 文档中的配置如 temperature）
stream	否	设为 false 时返回单个响应对象而非流式对象
keep_alive	否	控制模型在内存中的保持时长（默认：5m）

生成嵌入数据（/api/embed）

嵌入数据的作用是将输入内容转换成向量，可以用于向量检索等场景。比如我们在第四篇中介绍的知识库，就需要用到embedding模型。

在调用embed接口时，我们要选择支持Embedding功能的模型，deepseek是不支持的。

调用示例：

{
  "model": "bge-m3",
  "input": "为什么天空是蓝色的呢？"
}

postman调用截图：

兼容openAI接口

因为现在很多应用、类库都是基于OpenAI构建的，为了让这些系统能够使用Ollama提供的模型，Ollama提供了一套兼容OpenAI的接口（官方说是实验性的，以后可能会有重大调整）。

因为这种兼容，使得我们可以直接通过OpenAI的python库、node库来访问ollama的服务，确实方便了不少。

注意：ollama属于第三方接口，不能100%支持OpenAI的接口能力，因此在使用的时候需要先了解清楚兼容的情况。

其它接口

ollama还有一些其它的接口，用来实现对模型的管理等功能，而这些功能我们通常会在命令行完成，因此不做详细说明。这些API的列表如下：

• 模型创建（/api/create）
• 列出本地模型（/api/tags）
• 查看模型信息（/api/show）
• 复制模型（/api/copy）
• 删除模型（/api/delete）
• 拉取模型（/api/pull）
• 推送（上传）模型（/api/push）
• 列出运行中的模型（/api/ps）
• 查看ollama版本（/api/version）

这些接口的调用都非常简单，大家感兴趣的可以尝试以下。

C#集成指南

Ollama 提供了HTTP API的访问，如果需要使用SDK集成到项目中，需要引用第三方库OllamaSharp，直接使用nuget进行安装即可。

OllamaSharp功能亮点

• 简单易用：几行代码就能玩转Ollama
• 值得信赖：已为Semantic Kernal、.NET Aspire和Microsoft.Extensions.AI提供支持
• 全接口覆盖：支持所有Ollama API接口，包括聊天对话、嵌入生成、模型列表查看、模型下载与创建等
• 实时流传输：直接将响应流推送到您的应用
• 进度可视化：实时反馈模型下载等任务的进度状态
• 工具引擎：通过源码生成器提供强大的工具支持
• 多模态能力：支持视觉模型处理

调用示例

初始化client

// set up the client
var uri = new Uri("http://localhost:11434");
var ollama = new OllamaApiClient(uri);

获取模型列表

// list models
var models = await ollama.ListLocalModelsAsync();
if (models != null && models.Any())
{
    Console.WriteLine("Models: ");
    foreach (var model in models)
    {
        Console.WriteLine("  " + model.Name);
    }
}

创建对话

// chat with ollama
var chat = new Chat(ollama);
Console.WriteLine();
Console.WriteLine($"Chat with {ollama.SelectedModel}");

while (true)
{
    var currentMessageCount = chat.Messages.Count;

    Console.Write(">>");
    var message = Console.ReadLine();
    await foreach (var answerToken in chat.SendAsync(message, Tools))
        Console.Write(answerToken);

    Console.WriteLine();

    // find the latest message from the assistant and possible tools
    var newMessages = chat.Messages.Skip(currentMessageCount - 1);
    foreach (var newMessage in newMessages)
    {
        if (newMessage.ToolCalls?.Any() ?? false)
        {
            Console.WriteLine("\nTools used:");

            foreach (var function in newMessage.ToolCalls.Where(t => t.Function != null).Select(t => t.Function))
            {
                Console.WriteLine($"  - {function!.Name}");
                Console.WriteLine($"    - parameters");

                if (function?.Arguments is not null)
                {
                    foreach (var argument in function.Arguments)
                        Console.WriteLine($"      - {argument.Key}: {argument.Value}");
                }
            }
        }

        if (newMessage.Role.GetValueOrDefault() == OllamaSharp.Models.Chat.ChatRole.Tool)
            Console.WriteLine($"    - results: \"{newMessage.Content}\"");
    }
}

Tools

如果是LLM是大脑，那么工具就是四肢，通过工具我们能具备LLM与外界交互的能力。

定义工具：

/// <summary>
/// Gets the current datetime
/// </summary>
/// <returns>The current datetime</returns>
[OllamaTool]
public static string GetDateTime() => $"{DateTime.Now: yyyy-MM-dd HH:mm:ss ddd}";

使用工具：

public static List<object> Tools { get; } = [
    new GetDateTimeTool(),
];

await chat.SendAsync(message, Tools)

以上就是近期Ollama系列的回顾，感兴趣的朋友可以关注我的公众号 [拓荒者IT] 了解更多内容！

👉 持续分享AI工具，AI应用场景，AI学习资源 ❤️