认识 Ollama

Ollama 是本地运行大语言模型的工具，支持 Windows、macOS、Linux。
通过一条命令即可拉取和运行模型，提供 HTTP API，易于集成到应用。
适合开发者在本地做原型、私有数据推理、离线研发。
官方文档：https://ollama.com/docs

安装与启动（入门）

下载地址：https://ollama.com/download
安装后默认运行本地服务，API 端口为 11434。
基本检查：

ollama --version
ollama list

首次运行示例：

ollama run llama3 "你好，介绍下你自己"

更多：安装与使用概览 https://ollama.com/docs/usage

模型管理（入门）

拉取模型：

ollama pull llama3
ollama pull qwen2
ollama pull mistral

列出/删除模型：

ollama list
ollama rm llama3

模型目录与体积说明（参考）：https://ollama.com/docs/models

基本对话与参数（基础）

直接对话：

ollama run qwen2

一次性提示：

ollama run mistral -p "请用要点解释 Transformer 的注意力机制"

常用参数（更多见 https://ollama.com/docs/parameters）：
-p 传入 prompt；-m 指定模型；-t 模板相关（在 Modelfile 中更常见）。
推理控制：temperature、top_p、top_k、num_predict、repeat_penalty、mirostat。
上下文长度：num_ctx（影响长文能力与内存占用）。

本地 API 调用（基础）

API 概览：https://ollama.com/docs/api
生成文本（流式/非流式）：POST /api/generate
多轮对话：POST /api/chat
curl 示例：

curl -X POST http://localhost:11434/api/generate \
  -H "Content-Type: application/json" \
  -d '{
    "model": "llama3",
    "prompt": "用三句话解释RAG",
    "stream": false
  }'

Python 示例：

import requests

url = "http://localhost:11434/api/chat"
payload = {
    "model": "llama3",
    "messages": [
        {"role": "user", "content": "给我一个Python生成示例"}
    ],
    "stream": False
}
resp = requests.post(url, json=payload, timeout=60)
print(resp.json())

Node.js 示例：

const fetch = require('node-fetch');

(async () => {
  const res = await fetch('http://localhost:11434/api/generate', {
    method: 'POST',
    headers: { 'Content-Type': 'application/json' },
    body: JSON.stringify({ model: 'qwen2', prompt: '列出三条LLM提示工程建议', stream: false })
  });
  const data = await res.json();
  console.log(data);
})();

Embeddings（进阶）

生成向量：POST /api/embeddings
文档：https://ollama.com/docs/embeddings

curl -X POST http://localhost:11434/api/embeddings \
  -H "Content-Type: application/json" \
  -d '{
    "model": "llama3",
    "prompt": "大语言模型是什么"
  }'

用途：为 RAG、语义搜索、相似度检索提供向量表示；可配合 faiss、pgvector、milvus 等库。

Modelfile 与自定义模型（进阶）

文档：https://docs.ollama.com/modelfile
通过 Modelfile 在基础模型上添加系统提示、模板、参数等，生成自己的可复用模型。

# 文件名: Modelfile
FROM llama3
PARAMETER temperature 0.7
PARAMETER num_ctx 4096
SYSTEM "你是一名资深中文助理，回答要简洁、有条理。"
TEMPLATE "用户：\n助理："

ollama create my-llama -f Modelfile
ollama run my-llama -p "请用要点解释Attention"

常见参数与说明：https://ollama.com/docs/parameters
将 keep_alive 设置为如 5m 可提高多次调用的响应速度（模型常驻内存）。

个人模型制作与推送（进阶）

模型制作概述

制作思路：基于基础模型，通过 Modelfile 配置系统提示、模板、参数，必要时引入 LoRA 适配器，创建个人化模型。
适用场景：定制化助手、特定领域知识库、风格化对话、企业私有模型等。
参考文档：https://docs.ollama.com/modelfile、https://docs.ollama.com/import

Modelfile 详解

Modelfile 是定义自定义模型的核心配置文件，支持以下指令：

基础指令说明

FROM <模型名>：指定基础模型（必需）
SYSTEM <提示词>：设置系统提示，定义模型角色和行为
TEMPLATE <模板字符串>：定义对话模板格式
PARAMETER <参数名> <值>：设置模型推理参数
ADAPTER <路径>：引入 LoRA 适配器（可选）
LICENSE <许可证>：声明模型许可证
MESSAGE <角色> <内容>：添加示例对话消息

Modelfile 语法格式详解

1. FROM 指令

语法：

FROM <模型名>[:<标签>]

说明：

必需指令，必须放在文件开头
指定基础模型，可以是官方模型或已存在的自定义模型
支持标签指定版本（如 llama3:8b）

示例：

FROM llama3              # 使用默认版本
FROM llama3:8b           # 使用 8b 版本
FROM qwen2:7b            # 使用 qwen2 的 7b 版本
FROM myuser/mymodel      # 使用自定义模型
FROM myuser/mymodel:1.0  # 使用自定义模型的特定版本

2. SYSTEM 指令

语法：

SYSTEM "<单行提示词>"
# 或
SYSTEM """多行提示词
可以包含换行
支持多行内容"""

说明：

定义模型的系统提示词，描述模型角色、行为规范
可以使用单引号 " 或三引号 """ 包裹
三引号支持多行内容，保留换行格式
可以多次使用，后面的会覆盖前面的

示例：

# 单行
SYSTEM "你是一名专业的AI助手。"

# 多行
SYSTEM """你是一名资深软件工程师。
你的职责包括：
1. 编写高质量代码
2. 进行代码审查
3. 提供技术建议"""

# 使用变量（在模板中）
SYSTEM "你是一个编程专家。"

3. TEMPLATE 指令

语法：

TEMPLATE "<模板字符串>"
# 或
TEMPLATE """多行模板
支持换行"""

说明：

定义对话模板，控制用户输入和模型输出的格式
使用 Go 模板语法（``）
可用变量：
- ``：用户输入
- ``：系统提示词
- ``：模型响应（在生成时可用）

模板语法：

``：输出变量值
...：条件判断
......：条件判断（带 else）
\n：换行符
\t：制表符

示例：

# 简单模板
TEMPLATE "用户：\n助手："

# 条件模板
TEMPLATE """系统：

用户：

助手："""

# 复杂模板（多轮对话格式）
TEMPLATE """<|system|>
<|end|>
<|user|>
<|end|>
<|assistant|>
"""

常见模型模板格式：

# ChatML 格式（OpenAI 风格）
TEMPLATE """<|im_start|>system
<|im_end|>
<|im_start|>user
<|im_end|>
<|im_start|>assistant
"""

# Alpaca 格式
TEMPLATE """Below is an instruction that describes a task. Write a response that appropriately completes the request.

### Instruction:


### Response:
"""

# Vicuna 格式
TEMPLATE """USER: 
ASSISTANT: """

4. PARAMETER 指令

语法：

PARAMETER <参数名> <值>

说明：

设置模型推理参数
参数名不区分大小写
可以多次使用设置不同参数
数值参数可以是整数或浮点数

常用参数列表：

参数名	类型	默认值	说明	取值范围
`temperature`	float	0.8	采样温度，控制随机性	0.0-2.0
`top_p`	float	0.9	核采样参数	0.0-1.0
`top_k`	int	40	Top-K 采样，限制候选词数	1-100
`num_ctx`	int	2048	上下文窗口大小（token数）	512-32768
`num_predict`	int	-1	最大生成 token 数（-1 表示无限制）	-1 或正整数
`repeat_penalty`	float	1.1	重复惩罚系数	0.0-2.0
`repeat_last_n`	int	64	考虑重复惩罚的最近 token 数	0-2048
`seed`	int	-1	随机种子（-1 表示随机）	-1 或非负整数
`numa`	bool	false	是否使用 NUMA	true/false
`num_thread`	int	自动	CPU 线程数	正整数
`num_gpu`	int	自动	GPU 层数	非负整数
`main_gpu`	int	0	主 GPU 索引	非负整数
`low_vram`	bool	false	低显存模式	true/false
`f16_kv`	bool	true	使用 FP16 存储 KV 缓存	true/false
`logits_all`	bool	false	返回所有 token 的 logits	true/false
`vocab_only`	bool	false	仅加载词汇表	true/false
`use_mmap`	bool	true	使用内存映射	true/false
`use_mlock`	bool	false	锁定内存	true/false
`embedding_only`	bool	false	仅用于 embeddings	true/false
`mirostat`	int	0	Mirostat 采样算法（0=禁用，1=Mirostat，2=Mirostat 2.0）	0/1/2
`mirostat_lr`	float	0.1	Mirostat 学习率	0.0-1.0
`mirostat_eta`	float	0.1	Mirostat eta 参数	0.0-1.0
`penalize_newline`	bool	true	惩罚换行符	true/false
`stop`	string	-	停止序列（可多次使用）	字符串

示例：

# 基础参数
PARAMETER temperature 0.7
PARAMETER top_p 0.9
PARAMETER top_k 40

# 上下文和生成长度
PARAMETER num_ctx 4096
PARAMETER num_predict 2048

# 重复控制
PARAMETER repeat_penalty 1.1
PARAMETER repeat_last_n 64

# 随机种子（用于可复现性）
PARAMETER seed 42

# 停止序列（可多次使用）
PARAMETER stop "用户："
PARAMETER stop "Human:"
PARAMETER stop "\n\n\n"

# GPU 配置
PARAMETER num_gpu 2
PARAMETER main_gpu 0
PARAMETER low_vram true

# 采样算法
PARAMETER mirostat 2
PARAMETER mirostat_lr 0.1
PARAMETER mirostat_eta 0.1

5. MESSAGE 指令

语法：

MESSAGE <角色> "<内容>"
# 或
MESSAGE <角色> """多行内容
支持换行"""

说明：

添加示例对话消息（few-shot learning）
用于训练模型理解特定对话格式或提供示例
角色通常是 user 或 assistant
可以多次使用，按顺序组成对话历史

示例：

# 单轮对话示例
MESSAGE user "什么是 Python？"
MESSAGE assistant "Python 是一种高级编程语言，以简洁和可读性著称。"

# 多轮对话示例
MESSAGE user "如何学习编程？"
MESSAGE assistant "学习编程可以从以下几个方面入手：\n1. 选择一门语言\n2. 练习基础语法\n3. 做项目实践"

MESSAGE user "推荐一些学习资源"
MESSAGE assistant "推荐资源：\n- 官方文档\n- 在线教程\n- 编程练习平台"

# 复杂格式示例
MESSAGE user """请帮我写一个 Python 函数，计算斐波那契数列的第 n 项。"""
MESSAGE assistant """```python
def fibonacci(n):
    if n <= 1:
        return n
    a, b = 0, 1
    for _ in range(2, n + 1):
        a, b = b, a + b
    return b
```"""

6. ADAPTER 指令

语法：

ADAPTER <路径>

说明：

引入 LoRA 适配器
路径可以是相对路径或绝对路径
适配器目录应包含适配器权重文件

示例：

# 相对路径
ADAPTER ./lora_adapter
ADAPTER ./adapters/code_assistant

# 绝对路径
ADAPTER /home/user/adapters/my_adapter
ADAPTER C:\Users\user\adapters\my_adapter

7. LICENSE 指令

语法：

LICENSE "<许可证名称>"
# 或
LICENSE """多行许可证文本
可以包含完整的许可证内容"""

说明：

声明模型许可证
可以是许可证名称或完整许可证文本

示例：

# 许可证名称
LICENSE "MIT"
LICENSE "Apache-2.0"
LICENSE "CC-BY-4.0"

# 完整许可证文本
LICENSE """MIT License

Copyright (c) 2024

Permission is hereby granted...
"""

8. 注释语法

语法：

# 单行注释
# 这是注释内容

说明：

使用 # 开头表示注释
注释会被忽略，不影响模型配置
可用于说明配置意图

示例：

# 这是一个代码助手模型
FROM llama3:8b

# 系统提示：定义模型角色
SYSTEM "你是一名专业的代码助手。"

# 推理参数：平衡创造性和准确性
PARAMETER temperature 0.7  # 适中的随机性
PARAMETER top_p 0.9        # 核采样

9. 多行字符串语法

语法：

# 使用三引号
"""多行内容
可以包含换行
保留格式"""

说明：

使用三个双引号 """ 包裹多行内容
保留换行和空格格式
适用于 SYSTEM、TEMPLATE、MESSAGE、LICENSE 等指令

示例：

SYSTEM """你是一名专业助手。
你的回答需要：
1. 准确
2. 详细
3. 有条理"""

TEMPLATE """系统：

用户：

助手："""

10. 指令顺序与优先级

推荐顺序：

FROM（必需，放在最前）
ADAPTER（如果有）
SYSTEM
TEMPLATE
PARAMETER（可以多个）
MESSAGE（可以多个）
LICENSE

优先级规则：

相同指令多次使用时，后面的会覆盖前面的
PARAMETER 可以多次使用设置不同参数
MESSAGE 按顺序累积，形成对话历史

示例：

# 正确的顺序示例
FROM llama3:8b
ADAPTER ./my_adapter
SYSTEM "你是一名助手。"
TEMPLATE "用户：\n助手："
PARAMETER temperature 0.7
PARAMETER num_ctx 4096
MESSAGE user "示例1"
MESSAGE assistant "回复1"
MESSAGE user "示例2"
MESSAGE assistant "回复2"
LICENSE "MIT"

11. 转义字符

常用转义字符：

\n：换行符
\t：制表符
\"：双引号
\\：反斜杠
\r：回车符

示例：

# 在单引号字符串中使用转义
TEMPLATE "用户：\n助手："

# 在多行字符串中也可以使用
SYSTEM "第一行\n第二行\n第三行"

完整 Modelfile 示例

# 文件名: Modelfile
# 基于 llama3 创建专业代码助手

FROM llama3:8b

# 系统提示：定义模型角色
SYSTEM """你是一名资深的软件工程师和代码审查专家。
你的回答需要：
1. 代码示例清晰、可运行
2. 解释简洁、有条理
3. 提供最佳实践建议
4. 指出潜在问题和改进方向"""

# 对话模板：定义用户和助手的交互格式
TEMPLATE """系统：

用户：

助手："""

# 推理参数配置
PARAMETER temperature 0.7        # 创造性（0-1，越高越随机）
PARAMETER top_p 0.9              # 核采样参数
PARAMETER top_k 40               # Top-K 采样
PARAMETER num_ctx 4096           # 上下文窗口大小
PARAMETER num_predict 2048       # 最大生成 token 数
PARAMETER repeat_penalty 1.1     # 重复惩罚（>1 减少重复）
PARAMETER seed 42                # 随机种子（固定可复现）

# 示例对话（few-shot learning）
MESSAGE user "如何优化 Python 列表查找性能？"
MESSAGE assistant """对于频繁查找，可以使用集合（set）替代列表：

```python
# 慢：O(n)
if item in my_list:
    pass

# 快：O(1)
if item in my_set:
    pass

对于有序数据，使用二分查找（bisect 模块）。”””

许可证声明

LICENSE “MIT”

#### 不同场景的 Modelfile 示例

**示例 1：中文对话助手**

```dockerfile
FROM qwen2:7b
SYSTEM "你是一个友好、专业的中文AI助手。回答要自然、易懂，适当使用表情符号。"
TEMPLATE "用户：\n\n助手："
PARAMETER temperature 0.8
PARAMETER num_ctx 8192

示例 2：技术文档生成器

FROM mistral:7b
SYSTEM """你是一个技术文档编写专家。
输出格式要求：
- 使用 Markdown 格式
- 代码块包含语言标识
- 提供清晰的步骤说明
- 包含注意事项和最佳实践"""
TEMPLATE "\n\n请按照上述要求生成文档：\n\n"
PARAMETER temperature 0.3
PARAMETER num_predict 4096

示例 3：数据分析助手

FROM llama3:8b
SYSTEM "你擅长数据分析和统计。回答时提供具体的数据处理步骤、代码示例和可视化建议。"
PARAMETER temperature 0.5
PARAMETER num_ctx 16384

创建自定义模型

基本创建流程

# 1. 准备 Modelfile（在当前目录创建 Modelfile 文件）
cat > Modelfile << 'EOF'
FROM llama3
SYSTEM "你是一名专业助理。"
PARAMETER temperature 0.7
EOF

# 2. 创建模型
ollama create mymodel -f Modelfile

# 3. 测试模型
ollama run mymodel -p "介绍一下你自己"

量化选项（降低资源占用）

# 不同量化等级（从高到低质量，从大到小体积）
ollama create mymodel -f Modelfile --quantize q8_0    # 8位量化，质量最高
ollama create mymodel -f Modelfile --quantize q6_K     # 6位量化，平衡选择
ollama create mymodel -f Modelfile --quantize q4_K_M   # 4位量化，推荐
ollama create mymodel -f Modelfile --quantize q4_0     # 4位量化，最小体积

量化等级说明：

q8_0：8位量化，接近原始质量，体积较大
q6_K：6位量化，质量与体积的平衡点
q4_K_M：4位量化（中等），推荐用于大多数场景
q4_0：4位量化（基础），体积最小但质量略低

查看和管理模型

# 查看模型详细信息
ollama show mymodel

# 查看模型的 Modelfile 配置
ollama show mymodel --modelfile

# 列出所有模型
ollama list

# 复制模型（用于创建变体）
ollama cp mymodel mymodel-v2

# 删除模型
ollama rm mymodel

LoRA 适配器集成

LoRA（Low-Rank Adaptation）是一种参数高效的微调方法，可以在不修改基础模型的情况下添加特定能力。

准备 LoRA 适配器

# LoRA 适配器通常是一个目录，包含适配器权重文件
# 目录结构示例：
# adapter_dir/
#   ├── adapter_config.json
#   └── adapter_model.bin

在 Modelfile 中使用 LoRA

FROM llama3:8b
ADAPTER ./adapter_dir
SYSTEM "你是一名经过专业领域训练的AI助手。"
PARAMETER temperature 0.7

创建带 LoRA 的模型

# 确保 adapter_dir 目录存在且包含适配器文件
ollama create mymodel-lora -f Modelfile

注意事项：

LoRA 适配器需要与基础模型兼容
适配器文件通常由训练框架（如 PEFT、LoRA）生成
适配器可以叠加使用，但需要确保兼容性

模型推送详细流程

前置准备

注册 Ollama 账号
- 访问 https://ollama.com/
- 注册并登录账号

获取 Ollama Public Key

# 查看本机的公钥
ollama key
# 或查看公钥文件位置（通常在 ~/.ollama/id_ed25519.pub）

添加公钥到账号
- 登录 https://ollama.com/
- 进入 Settings → Ollama Keys
- 点击 “Add Key”，粘贴公钥内容
- 保存设置

推送步骤详解

步骤 1：命名模型（使用命名空间）

模型名称必须遵循 <用户名>/<模型名> 的格式：

# 如果模型已存在，需要复制并重命名
ollama cp mymodel <你的用户名>/mymodel

# 或者创建时直接使用命名空间
ollama create <你的用户名>/mymodel -f Modelfile

示例（假设用户名为 john）：

ollama cp mymodel john/code-assistant

步骤 2：验证模型

推送前建议先本地测试：

# 测试模型功能
ollama run <你的用户名>/mymodel -p "测试提示"

# 查看模型信息
ollama show <你的用户名>/mymodel

步骤 3：推送模型

# 推送模型到 Ollama 模型库
ollama push <你的用户名>/mymodel

推送过程会显示进度：

pushing manifest
pushing 2/2 layers (100%)
pushed successfully

步骤 4：验证推送结果

访问 https://ollama.com/library 查看你的模型

或使用 API 检查：

curl https://ollama.com/api/tags | grep "<你的用户名>/mymodel"

版本管理与标签

使用标签管理模型版本，便于迭代和回滚：

# 创建带版本标签的模型
ollama cp <你的用户名>/mymodel <你的用户名>/mymodel:1.0
ollama cp <你的用户名>/mymodel <你的用户名>/mymodel:latest

# 推送特定版本
ollama push <你的用户名>/mymodel:1.0
ollama push <你的用户名>/mymodel:latest

# 更新模型后创建新版本
ollama cp <你的用户名>/mymodel <你的用户名>/mymodel:2.0
ollama push <你的用户名>/mymodel:2.0

版本命名建议：

latest：最新稳定版
1.0、1.1、2.0：语义化版本号
dev、beta：开发/测试版本
2024-12-01：日期版本

他人使用你的模型

推送成功后，其他人可以通过以下方式使用：

# 拉取模型
ollama pull <你的用户名>/mymodel

# 或拉取特定版本
ollama pull <你的用户名>/mymodel:1.0

# 运行模型
ollama run <你的用户名>/mymodel -p "你好"

推送常见问题与解决方案

问题 1：推送失败 - 认证错误

症状：

Error: unauthorized

解决方案：

确认已登录 https://ollama.com/
检查公钥是否正确添加到账号

重新生成密钥对（如需要）：

# 删除旧密钥（谨慎操作）
rm ~/.ollama/id_ed25519*
# Ollama 会在下次操作时自动生成新密钥
ollama key  # 查看新公钥

问题 2：推送失败 - 网络超时

症状：

Error: timeout

解决方案：

检查网络连接

使用代理（如需要）：

export HTTP_PROXY=http://proxy:port
export HTTPS_PROXY=http://proxy:port
ollama push <你的用户名>/mymodel

分块推送大模型（Ollama 自动处理）

问题 3：模型名称格式错误

症状：

Error: invalid model name

解决方案：

确保模型名称格式为 <用户名>/<模型名>
用户名必须与 Ollama 账号一致
模型名不能包含特殊字符（建议使用字母、数字、连字符）

问题 4：推送进度缓慢

原因与优化：

模型体积大：考虑使用量化版本
网络带宽限制：使用稳定网络环境
首次推送较慢：后续更新只推送变更部分

模型更新与维护

更新已推送的模型

# 1. 修改 Modelfile
vim Modelfile

# 2. 重新创建模型（使用相同名称）
ollama create <你的用户名>/mymodel -f Modelfile

# 3. 推送更新
ollama push <你的用户名>/mymodel

删除已推送的模型

# 注意：删除操作需要谨慎，可能影响其他用户
# 在 Ollama 网站上进行删除操作更安全

模型描述与文档

在推送模型时，建议：

在 Modelfile 中添加注释说明模型用途
在 Ollama 网站为模型添加描述
提供使用示例和参数说明

高级技巧

1. 模型组合与继承

# 基于已有自定义模型创建新模型
FROM <你的用户名>/mymodel
SYSTEM "在原有基础上，你还需要擅长数据分析。"
PARAMETER temperature 0.6

2. 条件模板

TEMPLATE """系统指令：

用户：

助手："""

3. 多轮对话示例

MESSAGE user "什么是 RAG？"
MESSAGE assistant "RAG（Retrieval-Augmented Generation）是一种结合检索和生成的技术..."

MESSAGE user "它有什么优势？"
MESSAGE assistant "RAG 的主要优势包括：1. 可以访问最新信息 2. 减少幻觉..."

API 参考

推送接口：https://docs.ollama.com/api/push
模型管理：https://docs.ollama.com/api/tag
Modelfile 完整文档：https://docs.ollama.com/modelfile

性能与上下文（进阶）

上下文长度 num_ctx：增大可处理更长文本，但显著提升内存与算力需求。
生成长度 num_predict：限制最大输出 token 数，避免响应过长。
流式输出：API 中 stream: true 可边生成边传输，提升交互体验。
并发建议：控制并发到机器可承受范围；复用常驻模型以减少冷启动。

RAG 快速示例（进阶）

指南与案例：https://ollama.com/docs/examples
思路：
1）将本地文档分块并生成 embeddings（用 Ollama 的 /api/embeddings）。
2）存入向量库（FAISS/pgvector），检索相似片段。
3）将检索到的内容拼接为上下文，走 /api/chat 作为系统/用户提示。

多模型与多模态（进阶）

可同时安装多种模型：llama3、qwen2、mistral、phi3 等。
多模态（图像理解）模型如 llava 需要额外输入；参考：https://ollama.com/docs/models

Windows 常见问题（进阶）

端口占用：确保 11434 未被占用；或通过环境变量更改端口。
显存/内存不足：选择更小的量化模型（如 q4）；降低 num_ctx。
启动失败排查：查看日志与服务状态；参考：https://ollama.com/docs/usage

实用命令速查（综合）

# 拉取/运行
ollama pull llama3
ollama run llama3 -p "用5点说明提示工程"

# 查看模型
ollama list

# 删除模型
ollama rm llama3

# 创建自定义模型
ollama create my-llama -f Modelfile
ollama run my-llama -p "测试"

# 生成向量
curl -s http://localhost:11434/api/embeddings -d '{"model":"llama3","prompt":"示例"}'

参考资料

官方文档主页：https://ollama.com/docs
下载页：https://ollama.com/download
使用指南：https://ollama.com/docs/usage
API：https://ollama.com/docs/api
Embeddings：https://ollama.com/docs/embeddings
Modelfile：https://ollama.com/docs/modelfile
参数：https://ollama.com/docs/parameters
模型目录：https://ollama.com/docs/models

Ollama 学习笔记（由易到难）

认识 Ollama

安装与启动（入门）

模型管理（入门）

基本对话与参数（基础）

本地 API 调用（基础）

Embeddings（进阶）

Modelfile 与自定义模型（进阶）

个人模型制作与推送（进阶）

模型制作概述

Modelfile 详解

基础指令说明

Modelfile 语法格式详解

1. FROM 指令

2. SYSTEM 指令

3. TEMPLATE 指令

4. PARAMETER 指令

5. MESSAGE 指令

6. ADAPTER 指令

7. LICENSE 指令

8. 注释语法

9. 多行字符串语法

10. 指令顺序与优先级

11. 转义字符

完整 Modelfile 示例

许可证声明

创建自定义模型

基本创建流程

量化选项（降低资源占用）

查看和管理模型

LoRA 适配器集成

准备 LoRA 适配器

在 Modelfile 中使用 LoRA

创建带 LoRA 的模型

模型推送详细流程

前置准备

推送步骤详解

版本管理与标签

他人使用你的模型

推送常见问题与解决方案

问题 1：推送失败 - 认证错误

问题 2：推送失败 - 网络超时

问题 3：模型名称格式错误

问题 4：推送进度缓慢

模型更新与维护

更新已推送的模型

删除已推送的模型

模型描述与文档

高级技巧

1. 模型组合与继承

2. 条件模板

3. 多轮对话示例

API 参考

性能与上下文（进阶）

RAG 快速示例（进阶）

多模型与多模态（进阶）

Windows 常见问题（进阶）

实用命令速查（综合）

参考资料

Comments