Ollama初识

前言

最近由于 deepseek 的火爆，AI 大语言模型又一次被抬了出来，对此早有关注的我决定尝试本地化部署使用体验一下，并且搭建一个本地的 AI 助手。
根据我之前了解到的信息，在使用大模型，现在较为方便的方法一般是先搭建一个大模型的管理工具，工具主要可以管理，训练，微调和部署生成式 AI，并且支持不同模型架构的大模型，这里我选择使用热度最高的 Ollama 作为管理工具，该工具与模型的关系如下所示：

graph TDA[用户请求] --> B[Ollama接收请求]B --> C{选择合适的模型}C --> D[模型处理请求]C --> E[使用其他模型（可选）]D --> F[生成反馈]E --> FF --> G[返回反馈给用户]

接下来主要介绍下如何安装和使用该工具。

Ollama 安装过程

这里展示两个平台的安装方式

• Windows
  进入官网直接下载 exe 安装包安装即可，这里不再过多说明
• Linux
  使用命令行进行安装，安装命令

curl -fsSL https://ollama.com/install.sh | sh

安装完成后打开 ollama 会自动运行，在终端输入 ollama -v，返回 ollama 安装版本号即安装完成。

Ollama 相关配置说明

完成安装后，只需要拉取模型就可以正常的运行模型了，但在此之前，我们先将其内部参数进行设置一下，这里会将所有的命令参数都说明一遍，重要必须配置的参数这里会着重说明，部分参数可以看自身情况进行配置。

1. Ollama 可配置环境变量

[!NOTE]
所有的环境变量均可以在 GitHub 源码 cmd. Go 中找到，后面版本更新可能会导致这里有些变化，当前介绍的是 V 0.5.12 版本。

命令	功能
OLLAMA_DEBUG	启用额外的调试信息。默认为 false。开启此变量可以获取更多的调试日志，帮助排查问题，例如 OLLAMA_DEBUG=1 可以启用调试模式。
OLLAMA_HOST	定义 Ollama 服务器的协议和主机地址。默认为 127.0.0.1:11434，仅本机地址可通过 11434 端口访问该服务。可以通过此变量自定义 Ollama 服务的监听地址和端口，例如设置为 0.0.0.0:8080 ，可允许其他电脑访问 Ollama（如：局域网中的其他电脑）。
OLLAMA_KEEP_ALIVE	控制模型在内存中的存活时间。默认为 5 分钟。负值表示无限存活，0 表示不保持模型在内存中。此变量用于优化模型加载和运行的性能，例如 OLLAMA_KEEP_ALIVE=30m 可以让模型在内存中保持 30 分钟。
OLLAMA_MAX_LOADED_MODELS	限制同时加载的模型数量。默认为 0，表示不限制。此变量用于合理分配系统资源，避免过多模型同时加载导致资源不足，例如 OLLAMA_MAX_LOADED_MODELS=4 可以限制同时加载 4 个模型。
OLLAMA_MAX_QUEUE	设置请求队列的最大长度。默认为 512。此变量用于控制并发请求的数量，避免过多请求同时处理导致服务过载，例如 OLLAMA_MAX_QUEUE=1024 可以将队列长度设置为 1024。
OLLAMA_MODELS	指定模型文件的存储路径。默认为用户主目录下的 .ollama/models 文件夹。通过设置此变量，可以自定义模型文件的存储位置，例如 OLLAMA_MODELS=/path/to/models 将模型存储在指定的路径下。
OLLAMA_NUM_PARALLEL	设置同时处理的并行请求数量。默认为 0，表示不限制。此变量用于优化服务的并发处理能力，例如 OLLAMA_NUM_PARALLEL=8 可以同时处理 8 个并行请求。
OLLAMA_NOPRUNE	在启动时不清理模型文件。默认为 false。启用此变量可以保留所有模型文件，避免不必要的清理操作，例如 OLLAMA_NOPRUNE=1 可以禁用模型文件的清理。
OLLAMA_ORIGINS	配置允许跨域请求的来源列表。默认包含 localhost、127.0.0.1、0.0.0.0 等本地地址以及一些特定协议的来源。通过设置此变量，可以指定哪些来源可以访问 Ollama 服务，例如 OLLAMA_ORIGINS=*,https://example.com 允许所有来源以及 https://example.com 的跨域请求。
OLLAMA_SCHED_SPREAD	允许模型跨所有 GPU 进行调度。默认为 false。启用此变量可以提高模型运行的灵活性和资源利用率，例如 OLLAMA_SCHED_SPREAD=1 可以启用跨 GPU 调度。
OLLAMA_TMPDIR	临时文件的位置
OLLAMA_FLASH_ATTENTION	启用实验性的 Flash Attention 特性。默认为 false。此变量用于测试和使用新的注意力机制特性，例如 OLLAMA_FLASH_ATTENTION=1 可以启用 Flash Attention。
OLLAMA_KV_CACHE_TYPE	K/V 缓存的量化类型（默认：f 16）
OLLAMA_LLM_LIBRARY	设置 LLM 库以绕过自动检测。
OLLAMA_GPU_OVERHEAD	为每个 GPU 预留的显存（以字节为单位）。默认为 0。此变量用于确保每个 GPU 有一定的显存余量，避免显存不足导致的问题，例如 OLLAMA_GPU_OVERHEAD=1073741824 可以为每个 GPU 预留 1 GB 的显存。
OLLAMA_LOAD_TIMEOUT	设置模型加载过程中的超时时间。默认为 5 分钟。0 或负值表示无限超时。此变量用于防止模型加载过程过长导致服务无响应，例如 OLLAMA_LOAD_TIMEOUT=10m 可以将超时时间设置为 10 分钟。
HTTP_PROXY	设置 HTTP 代理服务器地址。此变量用于配置 Ollama 在进行 HTTP 请求时使用的代理服务器，例如 HTTP_PROXY=http://proxy.example.com:8080 可以让 Ollama 使用指定的 HTTP 代理。
HTTPS_PROXY	设置 HTTPS 代理服务器地址。此变量用于配置 Ollama 在进行 HTTPS 请求时使用的代理服务器，例如 HTTPS_PROXY=https://proxy.example.com:8080 可以让 Ollama 使用指定的 HTTPS 代理。
NO_PROXY	设置不使用代理的地址列表。此变量用于指定哪些地址在进行请求时不使用代理，例如 NO_PROXY=localhost,example.com 可以让 Ollama 在访问 localhost 和 example.com 时不使用代理.

2. Ollama 终端控制命令

命令	用途
ollama serve	在本地系统上启动 Ollama。
ollama create <new_model>	从现有模型创建一个新模型，用于定制或训练。
ollama show < model >	显示特定模型的详细信息，例如其配置和发布日期。
ollama run < model >	运行指定的模型，使其准备好进行交互。
ollama pull < model >	将指定的模型下载到您的系统。
ollama list	列出所有已下载的模型。
ollama ps	显示当前正在运行的模型。
ollama stop < model >	停止指定的正在运行的模型。
ollama rm < model >	从您的系统中移除指定的模型。

3. Ollama 初始设置

1. Windows 配置

找到系统的环境变量设置的地方，添加系统进系统变量。

这里说明几个需要配置的

• OLLAMA_HOST ： 0.0.0.0:11434
• OLLAMA_MODELS : 选择一个存储地址，最好是固态硬盘
• HTTP_PROXY / HTTPS_PROXY / NO_PROXY : 根据自己网络情况挂代理
• OLLAMA_KEEP_ALIVE ：这里可以设置成 1 h 提高短时间内响应及时率
  配置完成后重启启动 ollama 软件即可

2. Linux 配置

Liunx 下，安装完成 ollama 后，配置文件位于 /etc/systemd/system/ollama.service，我们使用 vim 打开并修改。

sudo vim /etc/systemd/system/ollama.service

打开 vim 后键盘按 A 开始修改文件

[Service]
Environment="OLLAMA_HOST=0.0.0.0:11434"
Environment="OLLAMA_KEEP_ALIVE=1h"

部分配置按需求添加，配置完成后保存并退出。
输入下面指令载入并重启 ollama：

sudo systemctl daemon-reload
sudo systemctl restart ollama

到此初始配置完成。

4. 运行模型

访问 Ollama Search，这里是 ollama 的官网，官方提供的可以直接下载的模型都在这里，可以选择任意一个然后，用提供的指令直接下载并运行。