ollama是大模型部署方案，对应docker，本质也是基于docker的容器化技术。
从前面的文章可以看到，部署大模型做的准备工作是比较繁琐的，包括各个环节的版本对应。ollama提供了一个很好的解决方案。
ollama主要针对主流的LLaMA架构的开源大模型设计，并且已被LangChain、Taskweaver等在内的多个热门项目高度集成。同时ollama提供了openAI兼容的api，可以最大限度的减少理解和开发成本。
一、下载安装ollama
1.1 安装
官方地址：https://ollama.com/
开源地址：https://github.com/ollama/ollama
下载后双击安装：
一路下一步即可。
1.2 检验
ollama安装后默认已经启动，我们可以通过访问其提供的api服务来进行检验。
参考官方文档：ollama的api · ollama/ollama · GitHub
这里运行ollama的机器为windows系统， ip为192.168.3.154。
1.2.1 通过localhost检验
运行命令：
> curl http://localhost:11434/api/generate -d "{\"model\": \"qwen2\",\"prompt\": \"who are you?\",\"stream\":false}"
查看结果：
这里注意两点：
1、不要使用PowerShell(里面的curl参数不一样)，使用 cmd 或者 git Cmd 。
2、注意参数的引号，通过斜杠** \ **来转义。
1.2.2 通过IP地址检验
运行命令：
> curl http://192.168.3.154:11434/api/generate -d "{\"model\": \"qwen2\",\"prompt\": \"who are you?\",\"stream\":false}"
查看结果：
提示连接不上："curl: (7) Failed to connect to 192.168.3.154 port 11434 after 2021 ms: Couldn't connect to server"。
这是因为ollama安装后默认只能本地访问，接下来配置远程访问api。
1.3 配置
这里配置主要是因为两个需求：远程可以访问ollama的api接口服务以及自定义大模型存放路径。
ollama默认把大模型保存在路径 **用户目录/.ollama/models **下：
基于各种原因，我们可能不希望使用这个默认路径，可以通过环境变量的配置来更改大模型保存的目录。
添加环境变量 OLLAMA_HOST 以及 OLLAMA_MODELS：
- OLLAMA_HOST，0.0.0.0， 配置后可以远程访问；
- OLLAMA_MODELS, c:\ai\llms_ollama，配置后ollama拉取的大模型会存放在此路径；
这里有重要的一步，需要重启ollama，使配置生效。
在任务栏的ollama图标上点击右键，选择“Quit Ollama”退出ollama：
然后重新打开ollama：
1.4 重新检验
这里通过IP地址重新进行检验。
1.4.1 windows系统
运行命令：
> curl http://192.168.3.154:11434/api/generate -d "{\"model\": \"qwen2\",\"prompt\": \"who are you?\",\"stream\":false}"
返回结果：
1.4.2 linux系统和mac系统
生成Completion：
> curl http://192.168.3.154:11434/api/generate -d '{"model": "qwen2","prompt": "who are you?","stream":false}'
返回结果：
这里注意参数的格式，和windows系统不一样，引号在这里直接使用不需要转义。
生成Chat Completion：
> curl http://192.168.3.154:11434/api/chat -d '{
"model": "qwen2",
"messages": [
{
"role": "user",
"content": "who are you?"
}
],
"stream": false
}'
返回结果：
二、部署运行大模型
接下来就是实际来部署一个大模型，这里以llama3为例。
2.1 获取大模型部署命令
在ollama官网搜索llama3大模型：https://ollama.com/library
选择第一个llama3进入大模型详情页：
在上图可以看到默认有三个标签可以选择：最新版、8B和70B，这里我们选择 8B的，所以我们需要运行 ollama run llama3。如果我们需要部署70B的，则需要运行 ollama run llama3:70b。
2.2 部署大模型
我们可以直接运行 ollama run llama3，如果llama3没有下载过则会下载，否则直接运行。也可以先下载然后运行：
> ollama pull llama3
> ollama run llama3
可以看到，使用方式跟docker是一样的，大模型对应了docker中的镜像。
下载完后会提示成功：
2.3 和大模型交互
接下来可以直接跟llama3对话，在三个箭头➡️后输入问题，llama3会给出回应：
可以看到ollama成功部署了大模型，并成功运行。
三、在LangChain中使用Ollama
3.1 通过jupyter来运行
3.1.1 安装jupyter
参考 【AI工具】jupyter notebook和jupyterlab对比和安装-CSDN博客 安装jupyterlab。
3.1.2 新建一个notebook
在新的文件中输入如下代码：
# 引入ollama
from langchain_community.chat_models import ChatOllama
# 加载llama3模型
ollama_llm = ChatOllama(model="llama3")
# 构造Message
from langchain_core.messages import HumanMessage
messages = [
HumanMessage(
content="你好，请你介绍一下你自己",
)
]
# 发送Message
chat_model_response = ollama_llm.invoke(messages)
# 输入Message
chat_model_response
这里有个细节，代码一共是五个输入块，这是为了在出错时，可以快速定位是哪一块出了问题。
3.1.3 运行
现在把鼠标定位在第一行，点击工具栏的运行按钮，一步一步的运行，运行5步后，输出了AI的自我介绍：
这样在LangChain中通过ollama，直接调用了大模型。
可以再问一次二的问题：
3.2 直接通过python运行
3.2.1 安装LangChain环境
参考 ：【AI基础】第四步：保姆喂饭级-langchain+chatglm2-6b+m3e-base_m3e-base
3.2.2 新建python文件
输入代码：
# 引入ollama
from langchain_community.chat_models import ChatOllama
# 加载llama3模型
ollama_llm = ChatOllama(model="llama3")
# 构造Message
from langchain_core.messages import HumanMessage
messages = [
HumanMessage(
content="你好，请你介绍一下你自己",
)
]
# 发送Message
chat_model_response = ollama_llm.invoke(messages)
# 输入Message
chat_model_response
3.2.3 运行
执行命令运行：
> python dev_ollama.py
运行成功。
版权归原作者 旭日跑马踏云飞 所有， 如有侵权，请联系我们删除。