简介

文章介绍了如何使用Ollama框架在本地计算机上运行开源大模型。内容包括：下载安装Ollama、下载运行特定模型(如phi-2)、自定义模型、以及使用流式传输、思考能力、结构化输出、视觉任务和工具调用等高级功能。Ollama简化了本地部署LLM的流程，便于开发者构建基于开源LLM的应用程序。

---

Ollama Model Zoo

https://ollama.com/search

Ollama 实践: 本地运行大模型

在本地运行开源LLM比大多数人想象的要容易得多。今天，我们就来一步一步地进行实际操作演示。最终结果如下：

我们将使用 Ollama 运行 Microsoft 的 phi-2，Ollama 是一个框架，可以直接从本地计算机运行开源 LLM（Llama2、Llama3 等）。

下载 Ollama

访问Ollama.com，下载 Ollama 并安装它。

Ollama 支持多种开源模型。以下列出部分模型及其下载命令：

下载 phi-2

接下来，运行以下命令下载phi-2：

您的终端将显示以下内容：

完毕！

使用本地模型

开源 LLM 现在正在您的本地计算机上运行，您可以按如下方式向其发出指令：

定制模型

通过 Ollama 运行的模型可以通过提示进行自定义。假设你想自定义 phi-2，让它像马里奥一样说话。复制现有文件modelfile：

接下来，打开新文件并编辑PROMPT设置：

接下来，按如下方式创建您的自定义模型：

完毕！

现在运行mario模型：

这样就可以在本地使用LLM了。也就是说，Ollama 可以与几乎所有 LLM 编排框架（如 LlamaIndex、Langchain 等）优雅地集成，这使得在开源 LLM 上构建 LLM 应用程序变得更加容易。

Streaming & Thinking

**Streaming：**流式传输（Streaming）允许您在模型生成文本的同时渲染文本。REST API 默认启用流式传输，但 SDK 默认禁用流式传输。要在 SDK 中启用流式传输，请将stream参数设置为True。

Thinking：具有思考能力的模型会返回一个thinking字段，该字段将它们的推理过程与最终答案分开。使用此功能可以审核模型步骤、在用户界面中演示模型思考过程，或者在只需要最终响应时完全隐藏跟踪过程。

可以在https://ollama.com/search?c=thinking这里查到所有支持 Thinking 的模型。

• 聊天：流式传输部分助手消息。每个数据块都包含消息，content以便您可以在消息到达时立即渲染它们。
• 思考：具备思考能力的模型会thinking在每个数据块中除了常规内容外，还会输出一个字段。在流式数据块中检测此字段，即可在最终答案到达之前显示或隐藏推理过程。
• 工具调用：监视tool_calls每个数据块中的流，执行请求的工具，并将工具输出附加回对话中。

结构化输出

参考文档：https://docs.ollama.com/capabilities/structured-outputs

from ollama import chatfrom pydantic import BaseModelclass Country(BaseModel):  name: str  capital: str  languages: list[str]response = chat(  model='gpt-oss',  messages=[{'role': 'user', 'content': 'Tell me about Canada.'}],  format=Country.model_json_schema(),)country = Country.model_validate_json(response.message.content)print(country)

输出示例：

name=‘Canada’ capital=‘Ottawa’ languages=[‘English’, ‘French’, ‘Official languages: English and French (French is the majority in Quebec)’]

视觉任务

• Lower the temperature (e.g., set it to 0) for more deterministic completions.

from ollama import chatfrom pydantic import BaseModelfrom typing import Literal, Optionalclass Object(BaseModel):    name: str    confidence: float    attributes: strclass ImageDescription(BaseModel):    summary: str    objects: list[Object]    scene: str    colors: list[str]    time_of_day: Literal['Morning', 'Afternoon', 'Evening', 'Night']    setting: Literal['Indoor', 'Outdoor', 'Unknown']    text_content: Optional[str] = Noneresponse = chat(    model='gemma3',    messages=[{        'role': 'user',        'content': 'Describe this photo and list the objects you detect.',        'images': ['path/to/image.jpg'],    }],    format=ImageDescription.model_json_schema(),    options={'temperature': 0},)image_description = ImageDescription.model_validate_json(response.message.content)print(image_description)

工具调用

from ollama import chatdef get_temperature(city: str) -> str:  """Get the current temperature for a city  Args:    city: The name of the city  Returns:    The current temperature for the city  """  temperatures = {    "New York": "22°C",    "London": "15°C",    "Tokyo": "18°C"  }  return temperatures.get(city, "Unknown")def get_conditions(city: str) -> str:  """Get the current weather conditions for a city  Args:    city: The name of the city  Returns:    The current weather conditions for the city  """  conditions = {    "New York": "Partly cloudy",    "London": "Rainy",    "Tokyo": "Sunny"  }  return conditions.get(city, "Unknown")messages = [{'role': 'user', 'content': 'What are the current weather conditions and temperature in New York and London?'}]# The python client automatically parses functions as a tool schema so we can pass them directly# Schemas can be passed directly in the tools list as well response = chat(model='qwen3', messages=messages, tools=[get_temperature, get_conditions], think=True)# add the assistant message to the messagesmessages.append(response.message)if response.message.tool_calls:  # process each tool call   for call in response.message.tool_calls:    # execute the appropriate tool    if call.function.name == 'get_temperature':      result = get_temperature(**call.function.arguments)    elif call.function.name == 'get_conditions':      result = get_conditions(**call.function.arguments)    else:      result = 'Unknown tool'    # add the tool result to the messages    messages.append({'role': 'tool',  'tool_name': call.function.name, 'content': str(result)})  # generate the final response  final_response = chat(model='qwen3', messages=messages, tools=[get_temperature, get_conditions], think=True)  print(final_response.message.content)

如何系统的学习大模型 AI ？

由于新岗位的生产效率，要优于被取代岗位的生产效率，所以实际上整个社会的生产效率是提升的。

但是具体到个人，只能说是：

“最先掌握AI的人，将会比较晚掌握AI的人有竞争优势”。

这句话，放在计算机、互联网、移动互联网的开局时期，都是一样的道理。

我在一线互联网企业工作十余年里，指导过不少同行后辈。帮助很多人得到了学习和成长。

我意识到有很多经验和知识值得分享给大家，也可以通过我们的能力和经验解答大家在人工智能学习中的很多困惑，所以在工作繁忙的情况下还是坚持各种整理和分享。但苦于知识传播途径有限，很多互联网行业朋友无法获得正确的资料得到学习提升，故此将并将重要的AI大模型资料包括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。

一直在更新，更多的大模型学习和面试资料已经上传带到CSDN的官方了，有需要的朋友可以扫描下方二维码免费领取【保证100%免费】👇👇

01.大模型风口已至：月薪30K+的AI岗正在批量诞生

2025年大模型应用呈现爆发式增长，根据工信部最新数据：

国内大模型相关岗位缺口达47万

初级工程师平均薪资28K（数据来源：BOSS直聘报告）

70%企业存在"能用模型不会调优"的痛点

真实案例：某二本机械专业学员，通过4个月系统学习，成功拿到某AI医疗公司大模型优化岗offer，薪资直接翻3倍！

02.大模型 AI 学习和面试资料

1️⃣ 提示词工程：把ChatGPT从玩具变成生产工具
2️⃣ RAG系统：让大模型精准输出行业知识
3️⃣ 智能体开发：用AutoGPT打造24小时数字员工

📦熬了三个大夜整理的《AI进化工具包》送你：
✔️ 大厂内部LLM落地手册（含58个真实案例）
✔️ 提示词设计模板库（覆盖12大应用场景）
✔️ 私藏学习路径图（0基础到项目实战仅需90天）

第一阶段（10天）：初阶应用

该阶段让大家对大模型 AI有一个最前沿的认识，对大模型 AI 的理解超过 95% 的人，可以在相关讨论时发表高级、不跟风、又接地气的见解，别人只会和 AI 聊天，而你能调教 AI，并能用代码将大模型和业务衔接。

• 大模型 AI 能干什么？
• 大模型是怎样获得「智能」的？
• 用好 AI 的核心心法
• 大模型应用业务架构
• 大模型应用技术架构
• 代码示例：向 GPT-3.5 灌入新知识
• 提示工程的意义和核心思想
• Prompt 典型构成
• 指令调优方法论
• 思维链和思维树
• Prompt 攻击和防范
• …

第二阶段（30天）：高阶应用

该阶段我们正式进入大模型 AI 进阶实战学习，学会构造私有知识库，扩展 AI 的能力。快速开发一个完整的基于 agent 对话机器人。掌握功能最强的大模型开发框架，抓住最新的技术进展，适合 Python 和 JavaScript 程序员。

• 为什么要做 RAG
• 搭建一个简单的 ChatPDF
• 检索的基础概念
• 什么是向量表示（Embeddings）
• 向量数据库与向量检索
• 基于向量检索的 RAG
• 搭建 RAG 系统的扩展知识
• 混合检索与 RAG-Fusion 简介
• 向量模型本地部署
• …

第三阶段（30天）：模型训练

恭喜你，如果学到这里，你基本可以找到一份大模型 AI相关的工作，自己也能训练 GPT 了！通过微调，训练自己的垂直大模型，能独立训练开源多模态大模型，掌握更多技术方案。

到此为止，大概2个月的时间。你已经成为了一名“AI小子”。那么你还想往下探索吗？

• 为什么要做 RAG
• 什么是模型
• 什么是模型训练
• 求解器 & 损失函数简介
• 小实验2：手写一个简单的神经网络并训练它
• 什么是训练/预训练/微调/轻量化微调
• Transformer结构简介
• 轻量化微调
• 实验数据集的构建
• …

第四阶段（20天）：商业闭环

对全球大模型从性能、吞吐量、成本等方面有一定的认知，可以在云端和本地等多种环境下部署大模型，找到适合自己的项目/创业方向，做一名被 AI 武装的产品经理。

• 硬件选型
• 带你了解全球大模型
• 使用国产大模型服务
• 搭建 OpenAI 代理
• 热身：基于阿里云 PAI 部署 Stable Diffusion
• 在本地计算机运行大模型
• 大模型的私有化部署
• 基于 vLLM 部署大模型
• 案例：如何优雅地在阿里云私有部署开源大模型
• 部署一套开源 LLM 项目
• 内容安全
• 互联网信息服务算法备案
• …

学习是一个过程，只要学习就会有挑战。天道酬勤，你越努力，就会成为越优秀的自己。

如果你能在15天内完成所有的任务，那你堪称天才。然而，如果你能完成 60-70% 的内容，你就已经开始具备成为一名大模型 AI 的正确特征了。

这份完整版的大模型 AI 学习资料已经上传CSDN，朋友们如果需要可以微信扫描下方CSDN官方认证二维码免费领取【保证100%免费】