Ollama的配置修改与接口调用

在[部署好ollama之后]，我们再来介绍ollama的一些其他用法。

一、修改环境变量

1.1 配置远程访问

在我们本地部署好ollama之后，仅支持本机访问，我们可以通过修改环境变量让其他人可以远程访问。

在wins电脑上增加环境变量：

OLLAMA_HOST   0.0.0.0:11434

1.2 配置本地模型路径

1.2.1 本地模型默认路径

wins本地模型默认路径：C:\Users\%username%\.ollama\models。

这里 %username% 是当前登录的用户名。例如，如果用户名为 Smqnz，则模型文件的默认存储路径可能是 C:\Users\Smqnz\.ollama\models。

以我的电脑为例：

C:\Users\admin\.ollama\models

1.2.2 修改本地模型默认路径

wins上的环境变量增加：

OLLAMA_MODELS  你想要存放的路径

以下为修改示例：

修改后，重启ollama即可。

1.3 配置允许的http请求来源

OLLAMA_ORIGINS 是 Ollama 中用于配置跨域资源共享（CORS）的环境变量，可以指定哪些来源（域名、IP 地址等）可以访问 Ollama 提供的 API 服务。

如果我们想让它接收任何来源(IP)的http请求的话，我们需要将其设置为*。

OLLAMA_ORIGINS  *

这里一定要注意，以上修改的环境变量名称必须为大写，不要随意修改。

二、ollama常用API请求

一般来说，我们可以通过打开命令行窗口直接进行对话。

但是这种方式对于开发者来说并不实用，一般我们需要通过其API进行访问与开发，本次我们就来详细聊一下ollama常见的API。

2.1 文本生成API

Ollama 提供了一套功能丰富的文本生成接口，方便用户与本地部署的模型进行交互，以下是其主要的文本生成接口及功能介绍：

接口路径：POST /api/generate

功能：向模型发送提示（prompt），生成文本回复。

请求参数：

model：模型名称，如 “deepseek-r1:7b”。

prompt：输入的提示文本。

stream：是否启用流式输出，默认为 false。

options：可选参数，包括：

temperature：控制生成文本的多样性，取值范围通常为 0 到 1。

max\_tokens：最大生成的 token 数量。

top\_p：Top-p 采样参数。

import requests``   ``# Ollama 服务的 URL``url = "http://localhost:11434/api/generate"``   ``# 请求数据``data = {`    `"model": "deepseek-r1:8b",  # 指定模型名称`    `"prompt": "你好，请简单介绍一下Python语言的特点。",  # 输入的提示词`    `"stream": False,  # 是否启用流式响应`    `"options": {  # 可选参数`        `"temperature": 0.7,  # 温度参数，控制生成内容的随机性`        `"max_tokens": 100  # 最大生成长度`    `}``}``   ``# 发送 POST 请求``response = requests.post(url, json=data)``   ``# 检查响应状态``if response.status_code == 200:`    `result = response.json()`    `print("生成的文本：", result.get("response"))``else:`    `print("请求失败，状态码：", response.status_code)`    `print("错误信息：", response.text)

2.2 对话聊天API

接口路径：POST /api/chat

功能：支持多轮对话，模型会记住上下文。

请求参数：

model：模型名称。

messages：消息列表，包含用户输入和模型回复，格式为 {“role”: “user”, “content”: “用户输入内容”}。

stream：是否启用流式输出，默认为 false。

options：可选参数，与生成文本接口类似。

import requests``import json``   ``# 设置请求的URL和端口``url = "http://localhost:11434/api/chat"``   ``# 设置请求的数据``data = {`    `"model": "deepseek-r1:8b",  # 模型名称`    `"messages": [`        `{"role": "system", "content": "你现在是一名合格的售票员，你还可以随意生成一些航班路线提供给用户，请扮演好您的角色。"},`        `{"role": "user", "content": "你好，我想订一张机票。"},`        `{"role": "assistant", "content": "好的，请问您要去哪里？"},`        `{"role": "user", "content": "我要去北京。"},`        `{"role": "user", "content": "有哪些航班可选？"}`    `],`    `"stream": False  # 是否启用流式输出``}``   ``# 设置请求头``headers = {`    `"Content-Type": "application/json"``}``   ``# 发送POST请求``response = requests.post(url, headers=headers, data=json.dumps(data))``   ``# 检查响应状态码``if response.status_code == 200:`    `# 解析响应内容`    `result = response.json()`    `# 输出模型的回复内容`    `print("模型回复：", result.get("message").get("content"))``else:`    `# 打印错误信息`    `print(f"请求失败，状态码：{response.status_code}")`    `print("错误信息：", response.text)

三、ollama兼容openai的请求

3.1 单轮对话

from openai import OpenAI``   ``client = OpenAI(`    `base_url="http://localhost:11434/v1",  # Ollama默认API地址`    `api_key="test"  # 必填字段但会被忽略，随便填写即可``)``   ``response = client.chat.completions.create(`    `model="deepseek-r1:8b",  # 替换为已下载的模型名称`    `messages=[`        `{"role": "system", "content": "你是一个有帮助的助手"},`        `{"role": "user", "content": "用50字解释量子计算"}`    `],`    `temperature=0.7,`    `max_tokens=1024``)``   ``print(response.choices[0].message.content)

3.2 多轮对话

from openai import OpenAI``   ``   ``def run_chat_session():`    `client = OpenAI(`        `base_url="http://localhost:11434/v1/",`        `api_key="test"  # 必填但会被忽略`    `)``   `    `chat_history = []`    `while True:`        `user_input = input("用户：")`        `if user_input.lower() == "exit":`            `print("AI：对话结束")`            `break``   `        `chat_history.append({"role": "user", "content": user_input})``   `        `try:`            `response = client.chat.completions.create(`                `messages=chat_history,`                `model="deepseek-r1:8b"  # 替换成你安装的模型名称`            `)`            `ai_response = response.choices[0].message.content`            `print(f"AI：{ai_response}")`            `chat_history.append({"role": "assistant", "content": ai_response})`        `except Exception as e:`            `print(f"错误：{e}")``   ``   ``if __name__ == "__main__":`    `run_chat_session()

可以看到，多轮对话可以通过维护问答列表能够很好地理解上下文的含义。

AI大模型学习福利

作为一名热心肠的互联网老兵，我决定把宝贵的AI知识分享给大家。 至于能学习到多少就看你的学习毅力和能力了 。我已将重要的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。

大模型&AI产品经理如何学习

求大家的点赞和收藏，我花2万买的大模型学习资料免费共享给你们，来看看有哪些东西。

1.学习路线图

第一阶段： 从大模型系统设计入手，讲解大模型的主要方法；

第二阶段： 在通过大模型提示词工程从Prompts角度入手更好发挥模型的作用；

第三阶段： 大模型平台应用开发借助阿里云PAI平台构建电商领域虚拟试衣系统；

第四阶段： 大模型知识库应用开发以LangChain框架为例，构建物流行业咨询智能问答系统；

第五阶段： 大模型微调开发借助以大健康、新零售、新媒体领域构建适合当前领域大模型；

第六阶段： 以SD多模态大模型为主，搭建了文生图小程序案例；

第七阶段： 以大模型平台应用与开发为主，通过星火大模型，文心大模型等成熟大模型构建大模型行业应用。

2.视频教程

网上虽然也有很多的学习资源，但基本上都残缺不全的，这是我自己整理的大模型视频教程，上面路线图的每一个知识点，我都有配套的视频讲解。

（都打包成一块的了，不能一一展开，总共300多集）

因篇幅有限，仅展示部分资料，需要点击下方图片前往获取

3.技术文档和电子书

这里主要整理了大模型相关PDF书籍、行业报告、文档，有几百本，都是目前行业最新的。

4.LLM面试题和面经合集

这里主要整理了行业目前最新的大模型面试题和各种大厂offer面经合集。

👉学会后的收获：👈
• 基于大模型全栈工程实现（前端、后端、产品经理、设计、数据分析等），通过这门课可获得不同能力；

• 能够利用大模型解决相关实际项目需求： 大数据时代，越来越多的企业和机构需要处理海量数据，利用大模型技术可以更好地处理这些数据，提高数据分析和决策的准确性。因此，掌握大模型应用开发技能，可以让程序员更好地应对实际项目需求；

• 基于大模型和企业数据AI应用开发，实现大模型理论、掌握GPU算力、硬件、LangChain开发框架和项目实战技能， 学会Fine-tuning垂直训练大模型（数据准备、数据蒸馏、大模型部署）一站式掌握；

• 能够完成时下热门大模型垂直领域模型训练能力，提高程序员的编码能力： 大模型应用开发需要掌握机器学习算法、深度学习框架等技术，这些技术的掌握可以提高程序员的编码能力和分析能力，让程序员更加熟练地编写高质量的代码。

1.AI大模型学习路线图
2.100套AI大模型商业化落地方案
3.100集大模型视频教程
4.200本大模型PDF书籍
5.LLM面试题合集
6.AI产品经理资源合集

👉获取方式：
😝有需要的小伙伴，可以保存图片到wx扫描二v码免费领取【保证100%免费】🆓