大模型部署工具 Ollama 使用指南：技巧与问题解决全攻略

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。

程序学到昏

786人浏览 · 2025-04-11 14:23:49

程序学到昏 · 2025-04-11 14:23:49 发布

一、Ollama 是什么？

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

右键「此电脑」→ 属性 → 高级系统设置 → 环境变量。
新建系统变量 OLLAMA_MODELS，路径设为 D:\ollama\models。
重启电脑或终端后生效。

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：

ollama pull llama3  # 下载 Llama3 模型

自定义模型：
1. 准备模型文件（如 GGUF 格式，从 Hugging Face 下载）。
2. 创建 Modelfile 配置模板（示例）：
```
name: mymodel
template: qwen
path: /path/to/your/model.q4_K_M.gguf
```
3. 构建模型：
```
ollama create mymodel -f Modelfile
```

2. 运行与交互

终端交互：
```
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：

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：

ollama run deepseek-r1:70b --verbose

输出示例：

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：

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：
1. 检查 Modelfile 中的 TEMPLATE 和 stop 参数是否正确。
2. 降低模型复杂度或增加硬件资源。
3. 使用 --verbose 日志定位问题。

3. 删除无用模型释放空间

命令：

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：

# 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）。

如何系统的去学习大模型LLM ？

大模型时代，火爆出圈的LLM大模型让程序员们开始重新评估自己的本领。 “AI会取代那些行业？”“谁的饭碗又将不保了？”等问题热议不断。

事实上，抢你饭碗的不是AI，而是会利用AI的人。

继科大讯飞、阿里、华为等巨头公司发布AI产品后，很多中小企业也陆续进场！超高年薪，挖掘AI大模型人才！ 如今大厂老板们，也更倾向于会AI的人，普通程序员，还有应对的机会吗？

与其焦虑……

不如成为「掌握AI工具的技术人」，毕竟AI时代，谁先尝试，谁就能占得先机！

但是LLM相关的内容很多，现在网上的老课程老教材关于LLM又太少。所以现在小白入门就只能靠自学，学习成本和门槛很高。

基于此，我用做产品的心态来打磨这份大模型教程，深挖痛点并持续修改了近70次后，终于把整个AI大模型的学习门槛，降到了最低！

在这个版本当中：

第一您不需要具备任何算法和数学的基础
第二不要求准备高配置的电脑
第三不必懂Python等任何编程语言

您只需要听我讲，跟着我做即可，为了让学习的道路变得更简单，这份大模型教程已经给大家整理并打包，现在将这份 LLM大模型资料 分享出来：包括LLM大模型书籍、640套大模型行业报告、LLM大模型学习视频、LLM大模型学习路线、开源大模型学习教程等, 😝有需要的小伙伴，可以 扫描下方二维码领取🆓↓↓↓

一、LLM大模型经典书籍

AI大模型已经成为了当今科技领域的一大热点，那以下这些大模型书籍就是非常不错的学习资源。

在这里插入图片描述

二、640套LLM大模型报告合集

这套包含640份报告的合集，涵盖了大模型的理论研究、技术实现、行业应用等多个方面。无论您是科研人员、工程师，还是对AI大模型感兴趣的爱好者，这套报告合集都将为您提供宝贵的信息和启示。(几乎涵盖所有行业)
在这里插入图片描述

三、LLM大模型系列视频教程

在这里插入图片描述

四、LLM大模型开源教程（LLaLA/Meta/chatglm/chatgpt）

在这里插入图片描述

五、AI产品经理大模型教程

在这里插入图片描述

LLM大模型学习路线 ↓

阶段1：AI大模型时代的基础理解

目标：了解AI大模型的基本概念、发展历程和核心原理。
内容：
- L1.1 人工智能简述与大模型起源
- L1.2 大模型与通用人工智能
- L1.3 GPT模型的发展历程
- L1.4 模型工程
- L1.4.1 知识大模型
- L1.4.2 生产大模型
- L1.4.3 模型工程方法论
- L1.4.4 模型工程实践
- L1.5 GPT应用案例

阶段2：AI大模型API应用开发工程

目标：掌握AI大模型API的使用和开发，以及相关的编程技能。
内容：
- L2.1 API接口
- L2.1.1 OpenAI API接口
- L2.1.2 Python接口接入
- L2.1.3 BOT工具类框架
- L2.1.4 代码示例
- L2.2 Prompt框架
- L2.3 流水线工程
- L2.4 总结与展望