Ollama 是一个开源的本地大模型部署工具，旨在简化大型语言模型（LLM）的运行和管理。通过简单命令，用户可以在消费级设备上快速启动和运行开源模型（如 Llama、DeepSeek 等），无需复杂配置。

一、Ollama 是什么？

Ollama 是一个开源的本地大模型部署工具，旨在简化大型语言模型（LLM）的运行和管理。通过简单命令，用户可以在消费级设备上快速启动和运行开源模型（如 Llama、DeepSeek 等），无需复杂配置。它提供 OpenAI 兼容的 API，支持 GPU 加速，并允许自定义模型开发。

二、核心命令速查表

运行 ollama help 可查看所有命令，以下是高频命令总结：

命令	作用描述
ollama serve	启动 Ollama 服务（后台运行）
ollama create	通过 Modelfile 创建自定义模型
ollama run	运行指定模型（如 ollama run llama3 --gpu）
ollama list	列出所有已下载模型
ollama ps	查看正在运行的模型
ollama rm	删除指定模型（如 ollama rm llama3）
ollama pull	从注册表拉取模型（如 ollama pull deepseek-r1:70b）
ollama stop	停止正在运行的模型
ollama show	显示模型详细信息（如 ollama show qwen）

三、模型存储路径优化

默认路径问题

• Windows：C:\Users\<用户名>\.ollama
• Linux/macOS：~/.ollama
• 问题：可能占用系统盘空间，尤其对小容量 SSD 用户不友好。

路径迁移方案

Windows

1. 右键「此电脑」→ 属性 → 高级系统设置 → 环境变量。
2. 新建系统变量 OLLAMA_MODELS，路径设为 D:\ollama\models。

设置环境变量

1. 重启电脑或终端后生效。

模型文件存放路径

Linux/macOS

echo 'export OLLAMA_MODELS=/path/to/your/models' >> ~/.bashrc  # 或 ~/.zshrc
source ~/.bashrc  # 重新加载配置

 

四、模型管理：从下载到优化

1. 模型下载

• 官方模型：

复制

ollama pull llama3  # 下载 Llama3 模型

• 自定义模型：

准备模型文件（如 GGUF 格式，从 Hugging Face 下载）。。

图片

创建 Modelfile 配置模板（示例）：

复制

name: mymodel
template: qwen
path: /path/to/your/model.q4_K_M.gguf

构建模型：

复制

ollama create mymodel -f Modelfile

2. 运行与交互

• 终端交互：

复制

ollama run --gpu mymodel  # 启动 GPU 加速

输入问题后按 Ctrl+D 提交，等待模型响应。

• API 调用：Ollama 内置 OpenAI 兼容 API，通过 http://localhost:11434 访问：

复制

curl http://localhost:11434/v1/models  # 查看模型列表
curl -X POST "http://localhost:11434/v1/completions" -H "Content-Type: application/json" -d '{"model":"llama3", "prompt":"你好"}'

3. 性能监控与优化

• 显存不足：

选择轻量模型（如 deepseek:1.5b）。

尝试低精度版本（如 q4_K_M 或 q3_K_L）。

• 内存不足：

确保至少 8GB 内存（小模型）或 32GB+（大模型）。

使用 --verbose 参数监控资源消耗：

复制

ollama run deepseek-r1:70b --verbose

• 输出示例：

复制

total duration: 12m1.056s  # 总耗时
load duration: 1.810s      # 模型加载时间
eval rate: 2.09 tokens/s   # 生成速度

五、常见问题与解决方案

1. 模型下载卡在 99%？

• 现象：下载进度停滞在最后阶段。
• 解决：

复制

Ctrl+C 取消下载 → 再次运行 `ollama pull <model>`  
# 进度保留，后续速度可能恢复正常

2. 模型无响应或崩溃

• 可能原因：

Modelfile 配置错误（如路径或模板参数）。

系统资源不足（内存/显存）。

• 排查步骤：

检查 Modelfile 中的 TEMPLATE 和 stop 参数是否正确。

降低模型复杂度或增加硬件资源。

使用 --verbose 日志定位问题。

3. 删除无用模型释放空间

• 命令：

复制

ollama rm modelname  # 删除指定模型

六、安全加固指南

1. 限制网络访问

• 默认风险：Ollama 默认监听 0.0.0.0:11434，可能暴露公网。
• 解决方案：

复制

# 仅允许本地访问
export OLLAMA_HOST=127.0.0.1:11434
# 或通过环境变量设置
OLLAMA_HOST=127.0.0.1:11434 ollama serve

2. 关闭危险端口

• 若仅本地使用，可通过防火墙屏蔽 11434 端口的外部访问。

3. 定期更新版本

• Ollama 定期修复安全漏洞，建议升级到最新版：

七、总结与建议

• 硬件规划：

7B 模型需 8GB 内存，70B 模型需 32GB+。

显存不足时优先选择低精度版本。

• 安全第一：

避免将 Ollama 端口暴露公网，定期更新版本。

• 模型选择：

根据需求选择（如 DeepSeek 适合代码生成，Qwen 适合多语言）。

零基础入门AI大模型

今天贴心为大家准备好了一系列AI大模型资源，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。

1.学习路线图

第一阶段： 从大模型系统设计入手，讲解大模型的主要方法；

第二阶段： 在通过大模型提示词工程从Prompts角度入手更好发挥模型的作用；

第三阶段： 大模型平台应用开发借助阿里云PAI平台构建电商领域虚拟试衣系统；

第四阶段： 大模型知识库应用开发以LangChain框架为例，构建物流行业咨询智能问答系统；

第五阶段： 大模型微调开发借助以大健康、新零售、新媒体领域构建适合当前领域大模型；

第六阶段： 以SD多模态大模型为主，搭建了文生图小程序案例；

第七阶段： 以大模型平台应用与开发为主，通过星火大模型，文心大模型等成熟大模型构建大模型行业应用。

2.视频教程

网上虽然也有很多的学习资源，但基本上都残缺不全的，这是我自己整理的大模型视频教程，上面路线图的每一个知识点，我都有配套的视频讲解。

 

 

（都打包成一块的了，不能一一展开，总共300多集）

3.技术文档和电子书

这里主要整理了大模型相关PDF书籍、行业报告、文档，有几百本，都是目前行业最新的。

4.LLM面试题和面经合集

这里主要整理了行业目前最新的大模型面试题和各种大厂offer面经合集。

 

👉学会后的收获：👈

• 基于大模型全栈工程实现（前端、后端、产品经理、设计、数据分析等），通过这门课可获得不同能力；

• 能够利用大模型解决相关实际项目需求： 大数据时代，越来越多的企业和机构需要处理海量数据，利用大模型技术可以更好地处理这些数据，提高数据分析和决策的准确性。因此，掌握大模型应用开发技能，可以让程序员更好地应对实际项目需求；

• 基于大模型和企业数据AI应用开发，实现大模型理论、掌握GPU算力、硬件、LangChain开发框架和项目实战技能， 学会Fine-tuning垂直训练大模型（数据准备、数据蒸馏、大模型部署）一站式掌握；

• 能够完成时下热门大模型垂直领域模型训练能力，提高程序员的编码能力： 大模型应用开发需要掌握机器学习算法、深度学习框架等技术，这些技术的掌握可以提高程序员的编码能力和分析能力，让程序员更加熟练地编写高质量的代码。

1.AI大模型学习路线图
2.100套AI大模型商业化落地方案
3.100集大模型视频教程
4.200本大模型PDF书籍
5.LLM面试题合集
6.AI产品经理资源合集

5.免费获取(扫下方二v码即可100%领取)