[大模型实战 01] 本地大模型初体验：Ollama 部署与 Python 调用指南

发表于 2026-01-08 分类于 AI 实战，大模型开发笔记，大模型实战系列阅读次数：本文字数： 3.2k 阅读时长 ≈ 3 分钟

大模型实战系列第一篇。拒绝晦涩理论，直接上手！本文带咱们零基础安装 Ollama，利用国内 ModelScope 极速下载模型，详解服务端口配置与 Python 脚本调用，涵盖显存计算与常见避坑指南。

[大模型实战 01] 本地大模型初体验：Ollama 部署与 Python 调用指南

核心摘要 (TL;DR)
工具：Ollama (最流行的本地大模型运行工具)。
目标：在本地电脑运行大模型，并提供 API 给 Python 调用。
痛点解决：教咱们如何用国内 ModelScope 替代 HuggingFace 实现极速下载。
干货：包含修改端口、显存计算公式、以及 Embedding/多模态等概念科普。

01. Ollama 介绍

官网地址：https://ollama.com/

Ollama 是目前最火的本地大模型部署工具。
简单来说，它能帮咱们快速拉取模型文件，让模型在本地直接运行并进行对话。同时，它还能把模型打包成一个标准的接口，通过端口开放给咱们写的 Python 脚本调用。

对于咱们来说，它就是在大模型时代装在电脑里的“运行环境”，必不可少。

02. 安装 Ollama

下载：登录官网 https://ollama.com/ 。
选择版本：点击 Download 按钮，根据咱们的操作系统（Windows/Mac/Linux）下载。
安装：打开下载好的安装包，选一个咱们喜欢的位置安装即可。
验证：安装完毕后，开始菜单里会出现一个羊驼图标。
测试运行：按下 Win+R 打开运行窗口，输入 cmd 打开命令提示符。输入命令 ollama --version。如果看到版本号，就说明 Ollama 已经安装完毕，正在运行了。第一阶段顺利完成！

03. Ollama 常用命令速查

这些命令咱们以后会经常用到，建议收藏：

场景	命令示例	备注
第一次下模型	`ollama run qwen3:7b`	会自动先 pull 再运行，一步到位
只下载不运行	`ollama pull llama3:8b`	适合提前囤模型
国内加速	`ollama pull modelscope.cn/Qwen/Qwen3-7B-GGUF`	推荐！下文会细讲
查看本地库存	`ollama list` 或 `ollama ls`	大小/ID/修改时间一目了然
删除省空间	`ollama rm llama2:latest`	支持通配符，可写 `llama2:*`
给模型改短名	`ollama cp qwen3:7b q7`	后面直接 `ollama run q7` 方便调用
查模型详情	`ollama show q7`	参数量、量化层、标签全列出

04. 下载模型（解决网速慢的问题）

Ollama 官网收录了很多模型，可以通过详情页复制命令下载，但由于服务器在海外，咱们在国内访问经常断连，速度也很慢。

主流的模型平台是 HuggingFace，但它也在海外，国内下载需要魔法工具。
咱们的解决方案：使用阿里的 魔搭社区 (ModelScope)。

HuggingFace 官网：https://huggingface.co/
ModelScope (魔搭) 官网：https://modelscope.cn/

操作步骤：

进入 HuggingFace 点击 Models，或者进入魔搭点击模型库。
在搜索框输入咱们想要的模型，比如 Qwen3-0.6B-GGUF。
注意：Ollama 目前主要支持 GGUF 格式，搜索时一定要带上这个后缀。
进入模型详情页，复制模型 ID，例如 Qwen/Qwen3-0.6B-GGUF。
回到命令提示符，加上前缀进行下载，网速直接拉满：
- 魔搭下载 (推荐): ollama pull modelscope.cn/Qwen/Qwen3-0.6B-GGUF
- HuggingFace 下载: ollama pull hf.co/Qwen/Qwen3-0.6B-GGUF
下载完毕后，运行 ollama list 查看信息：

1 2	NAME ID SIZE MODIFIED modelscope.cn/Qwen/Qwen3-0.6B-GGUF:latest xxxxxxx xxx MB x ago

05. 运行模型

在命令行工具输入 ollama run modelscope.cn/Qwen/Qwen3-0.6B-GGUF。
看到交互界面后，咱们就可以愉快地跟大模型对话了。

06. 更改服务端口（进阶）

Ollama 默认服务运行在端口 11434 上。如果咱们在自己的服务器上部署，为了安全或避免端口冲突，可以修改它。

Windows 环境

退出 Ollama：在任务栏右下角的托盘图标上右键，选择 Quit Ollama。
设置环境变量：
- 按下 Win + S，搜索“编辑账户环境变量”并打开。
- 在“用户变量”部分，点击“新建”。
- 变量名：OLLAMA_HOST
- 变量值：0.0.0.0:5656 （假设咱们想改到 5656 端口，0.0.0.0 表示允许所有网卡访问）。
重新启动：从开始菜单重新运行 Ollama 软件。
检验：在浏览器输入 http://localhost:5656，如果显示 Ollama is running 说明端口修改成功了。

Linux 环境

执行命令：sudo systemctl edit ollama.service
在打开的编辑器中（通常是空白或带注释），加入以下内容：

1 2	[Service] Environment="OLLAMA_HOST=0.0.0.0:5656"

保存并退出，然后重载并重启服务：

1 2	sudo systemctl daemon-reload sudo systemctl restart ollama

07. 在 Python 脚本中使用模型

为了运行连接 Ollama 的 Python 脚本，我们需要准备以下环境：

Python 版本：Python 3.8 以上
OpenAI 库依赖：在命令行输入 pip install openai

Ollama 完美兼容 OpenAI 的 API 格式，所以咱们直接用 OpenAI 的库就行：

from openai import OpenAI

# 初始化客户端
client = OpenAI(
    # 这里的端口号要对应咱们上面修改后的端口号，记得加上 /v1
    base_url='http://localhost:5656/v1',
    # Ollama 不需要真正的 Key，但这里随便填一个，不能留空
    api_key='ollama',
)

# 发起对话请求
response = client.chat.completions.create(
    # 填入咱们在 ollama list 中看到的模型名称
    model="modelscope.cn/unsloth/Qwen3-0.6B-GGUF",
    messages=[
        {"role": "system", "content": "你是一个有用的助手。"},
        {"role": "user", "content": "你好，请简单介绍一下你自己。"},
    ]
)

print(response.choices[0].message.content)

08. 常见问题 (Q&A)

这里整理了咱们在入门时最关心的问题：

Q: 除了 Ollama 还有哪些方式可以部署，它们有什么差别？
A:

LM Studio / AnythingLLM：带有图形界面的部署工具。适合完全不懂代码或者完全不想碰代码的初学者，也可以一键建立知识库做 RAG。
vLLM：高性能推理框架。通常用于服务器级别，速度极快，适合多人并发，工业级部署使用。
差别：Ollama 更轻量，适合开发；LM Studio 胜在可视化；vLLM 胜在极致性能。

Q: Ollama 开机自动启动，我要怎么关闭？关闭后如何手动启动？
A:

Windows：右键点击任务栏图标 -> Quit Ollama 只是临时关闭。要彻底关闭自启，请在 任务管理器 -> 启动应用 中找到 Ollama 并设为禁用。
Linux：使用命令 sudo systemctl disable ollama 关闭自启。
手动启动：Windows 直接运行桌面图标；Linux 执行 ollama serve 即可。

Q: HuggingFace 和魔搭 (ModelScope) 有什么区别？
A:

Hugging Face (HF)：全球最大的“AI 模型图书馆”，资源最全、社区最活跃，但服务器在海外，国内访问速度较慢。
魔搭 (ModelScope)：阿里旗下的国内版“模型图书馆”。国内下载速度极快，模型齐全（基本和 HF 同步），主要是为了解决国内下载慢、需要魔法的问题。

Q: 平台看起来很丰富，还有什么别的好玩儿的功能？
A:

Spaces / 创空间：可以直接在 Web 上体验最新的模型应用（如 AI 绘画、变声），不用本地部署，但有时需要排队。
Datasets (数据集)：训练模型的数据集也可以在上面下载。

Q: 大模型有什么类型？
A:

语言模型 (LLM)：常规的大模型，如 Llama3, DeepSeek, 千问。主要是聊天和文字处理。
多模态模型：如 LLaVA。能看图片，根据图片进行对话，也就是传统的大模型 + 能看图的眼睛。
嵌入模型 (Embedding)：用来将文字直接转化为向量数值。主要用在 RAG (检索增强生成) 中，对问题进行搜索以找到相近的文档回答。
视觉/视频/语音模型：用以生成图像、视频和语音。

Q: 我该如何快速计算我的电脑能支持多大的模型？
A: 一般来说模型的占用可以通过一个快速公式来计算：
模型显存占用 ≈ 参数量 × 0.7

比如下载 0.6B 模型，全量参数 (16bit) 就是：0.6 × 0.7 ≈ 0.42GB。
如果是 7B 模型（4-bit 量化）：7 × 0.7 ≈ 4.9GB，咱们至少需要 6GB 显存。

Q: 大模型不是需要显卡吗？为什么 Ollama 可以运行在没有显卡的设备上？
A: Ollama 底层使用了 llama.cpp 技术。如果它检测到咱们没有显卡，会将模型权重从**显存(VRAM)**加载到 系统内存 (RAM) 中，使用 CPU 指令集进行计算。虽然速度比在显卡上慢，但让手机、普通轻薄本等设备也有了运行大模型的可能性。