Obsidian和Ollama大语言模型的交互过程

最新推荐文章于 2025-05-29 16:31:56 发布
最新推荐文章于 2025-05-29 16:31:56 发布
阅读量437 收藏 3
点赞数 4
文章标签： 语言模型 人工智能
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/cmoaciopm/article/details/147492673
版权

之前的文章中介绍了Obsidian配合Ollama的使用案例，那么它们是如何配合起来的呢？其实这个问题并不准确，问题的准确描述应该是Obsidian的Copilot插件是如何与Ollama大语言模型交互的。因为Obsidian在这里只是一个载体，核心功能还是Copilot插件与Ollama完成的。

从obsidian-copilot开始

在为Obsidian安装Copilot插件时，发现Copilot插件是开源的。

在这里插入图片描述

打开源码仓库根目录的 local_copilot.md 能看到Ollama相关的介绍。其中提到了Ollama server，猜测Copilot插件是通过REST API去和Ollama通信的。

进一步了解Ollama

Ollama的文档里提到了一些信息

  • Ollama提供了一系列的API
  • Ollama启动后默认侦听127.0.0.1的11434端口来提供API服务
  • Ollama server在运行时会产生日志，在MacOS的存放路径是 ~/.ollama/logs/server.log
  • 把环境变量 OLLAMA_DEBUG 设置为1可以启用debug日志

启用debug日志后重启Ollama，在浏览器里输入 http://127.0.0.1:11434 得到如下结果

在这里插入图片描述

在Ollama命令行提出一个问题（这里问它的名字），在日志里看到了相关的信息

在这里插入图片描述

说明Ollama命令行里的提问会调用/api/chat这个API。在Obsidian的Copilot Chat窗口里提问也会看到类似的日志。

交互过程

那么Obsidian的Copilot插件是如何调用Ollama server的API呢？在obsidian-copilot源代码中没有发现对/api/chat的直接调用，看起来封装的比较深。通过分析源代码推测调用的层次如下

在这里插入图片描述

看得出调用关系还是比较清晰的。但这里再次引申出一个问题：为什么Obsidian Copilot插件不直接和Ollama server通信呢？为什么非得引入langchain来做这件事情呢？

cmoaciopm
关注
大模型——用Ollama打造本地生产力工具
03-09 3455
我们都经历过这种情况：现在是晚上 11:42，在 200 条回复的 Slack 线程中隐藏着可以防止明天生产事故的信息。你可能不确定是否有机密信息，因此你不能简单地将其复制并粘贴到你最喜欢的在线 LLM 中。使用以下代码片段，你可以复制任何文本（例如长 Slack 线程），并使用本地模型为你总结。没有任何内容离开你的本地机器，并且不涉及复杂的工作流程 - 只需复制并按回车键即可。老实说，我不会以这种方式使用此代码片段，因为将其复制到你的终端会覆盖你的剪贴板。
基于ollama实现大模型llm快速部署
xiaomu_347的博客
05-24 553
项目，llama.cpp 项目用 C/C++ 重写了推理代码，既避免了 PyTorch 引入的复杂依赖，又提供了更为广泛的硬件支持，包括纯 CPU 推理、Apple Silicon 在内的各类底层计算架构都得以充分发挥对应的推理加速。而作为价值约 8 美元/月的 Raycast AI 的平替，Raycast Ollama 实现了 Raycast AI 的绝大多数功能，且随着 Ollama 及开源模型的迭代，还将支持多模态等 Raycast AI 不支持的功能，可谓潜力无限。此外，还可以换用其他模型。
obsidian中使用ollama部署llama3,实现本地对话
King_key的博客
05-09 3114
在obsidian中使用llama3
通过Obsidian Copilot和 Ollama 实现 Obsidian 本地知识库和智能化
python123456_的博客
01-17 5855
Obsidian Copilot 是一款为 Obsidian 笔记软件设计的 AI 助手插件，它将 AI 技术（如 OpenAI 的 GPT 模型）无缝集成到 Obsidian 的笔记工作流中，为用户提供智能化的写作、知识管理和思考辅助功能。通过 Obsidian Copilot，用户可以在笔记中直接与 AI 进行交互，从而提升笔记的整理效率、写作质量和知识探索能力。
Obsidian Copilot+Ollama：打造智能本地知识库，Obsidian从此更强大！
2401_84494441的博客
03-15 1075
Obsidian Copilot 是一款为 Obsidian 笔记软件设计的 AI 助手插件，它将 AI 技术（如 OpenAI 的 GPT 模型）无缝集成到 Obsidian 的笔记工作流中，为用户提供智能化的写作、知识管理和思考辅助功能。通过 Obsidian Copilot，用户可以在笔记中直接与 AI 进行交互，从而提升笔记的整理效率、写作质量和知识探索能力。
实操Obsidian+Ollama+deepseek构建本地知识库
cmoaciopm的专栏
04-23 1053
这个使用案例说明了在本地电脑运行大模型是可以助力日常工作的。因为数据不需要上传到第三方服务器，我们完全无需担心本地数据、隐私的安全性。但本地电脑的算力毕竟有限，这套方案能否高质量的助力工作还需要进一步的验证。后续我也会继续深度体验这个方案，期待能有更新的发现。
基于OBSIDIAN+Ollama+llama3.1构建个人智能助理
wangjye99的博客
08-07 1474
在人工智能（AI）领域， AI PC让我们重新定义智能办公和信息管理。但是，要真正实现这一愿景，我们必须考虑多个关键因素，包括隐私保护、数据安全等。在本文中，我们将使用OBSIDIAN+OLLAMA+llama 3.1-8b来搭建一个简易而高效的个人知识及工作智能助理，从而让您的日常办公、生活、学习更加便捷。
用 Ollama 轻松玩转本地大模型
南七小僧的学海无涯
04-29 1727
根据 ChatGPT 的使用经验，多数人都已知晓系统提示词的重要性。好的系统提示词能有效地将大模型定制成自己需要的状态。在 Ollama 中，有多种方法可以自定义系统提示词。首先，不少 Ollama 前端已提供系统提示词的配置入口，推荐直接利用其功能。此外，这些前端在底层往往是通过API"content": "以海盗的口吻简单作答。},"content": "天空为什么是蓝色的？],}'其中role为system的消息即为系统提示词。
大模型之Ollama：在本地机器上释放大型语言模型的强大功能
段智华的博客
05-24 2191
大型语言模型 (LLM) 已成为行业变革者，能够生成人类质量的文本、翻译语言以及编写不同类型的创意内容。然而，它们的传统用途需要访问强大的云资源，因此许多个人无法获得它们。 开源框架 Ollama 打破了这一障碍，它允许你直接在本地机器上运行这些强大的模型。这开辟了一个充满可能性的世界
Obsidian+Ollama+llama3.1，自定义构建本地AI助理，无需联网
智能运维及数据中台探索
08-15 2168
在人工智能（AI）领域， AI PC让我们重新定义智能办公和信息管理。但是，要真正实现这一愿景，我们必须考虑多个关键因素，包括隐私保护、数据安全等。今天将带大家一起看下如何使用OBSIDIAN+OLLAMA+LLAMA3.1-8b搭建一个简易而高效的个人知识库及工作智能助理，从而让日常办公、学习、生活更加高效便捷。
Ollama 在本地快速部署大型语言模型，可进行定制并创建属于您自己的模型
洛阳泰山的博客
03-23 3409
Ollama支持从GGUF导入模型至Modelfile中：创建一个名为Modelfile的文件，其中包含一个FROM指令，指定要导入的本地模型文件路径。在Ollama中创建模型运行模型可以从Ollama库中自定义带有提示的模型。例如，要自定义llama2创建一个ModelfileFROM llama2 # 设置温度为1 [数值越高创造力越强，数值越低连贯性越好] PARAMETER temperature 1 # 设置系统消息 SYSTEM """您是来自《超级马里奥兄弟》的马里奥。
OpenCV CUDA模块直方图计算------在 GPU 上计算输入图像的直方图（histogram）函数histEven()
jndingxin的专栏
05-29 394
该函数用于在 GPU 上计算输入图像的直方图（histogram）。它将像素值区间均匀划分为若干个 bin（桶），并统计每个 bin 中像素的数量。
Prompt Tuning：优化提示调优全攻略
ZJQ的博客
05-26 814
Prompt Tuning（提示调优）是一种通过优化提示词来调整预训练语言模型行为的技术。主要变体包括：Prefix Tuning（添加可训练前缀向量）、Hard-Prompt Tuning（直接使用自然语言提示）、Soft-Prompt Tuning（学习通用提示向量）、Prompt Ensemble（多提示集成）和Auto-Prompt（自动搜索最优提示）。其中Hard-Prompt Tuning最为直观，可通过自然语言指令（如"这段文字的情感是积极的"）引导模型输出。代码示例展示了
同源“平滑思想”的问题解法：正则化与拉普拉斯平滑
qq_32205577的博客
05-28 1043
正则化与拉普拉斯平滑，一个是机器学习的“参数约束工具”，一个是概率模型的“分布修正技术”，看似分属不同领域，实则共享“平滑思想”的内核——通过调整目标函数或统计量，对极端情况进行缓和，使模型或分布更接近真实规律。
智能体商业化落地实战指南：破解技术变现“最后一公里“难题
2401_88740939的博客
05-28 789
AI智能体开发遇变现难题，井云平台推出解决方案。当前智能体开发者面临三大困境：用户管理低效、支付链路缺失、流量转化乏力。井云平台通过三大引擎帮助实现商业化闭环：1）灵活计费模式和支付系统；2）独立官网生成与会员运营工具；3）企业级定制服务。典型应用场景包括法律咨询、文案生成、虚拟偶像等，支持从开发到变现的零代码快速部署，解决AI技术落地最后一公里问题，让智能体真正实现商业价值。
React笔记-Ant Design X样本间对接智谱AI
IT1995的博客
05-26 1057
本文介绍了如何将AntDesignX样本间对接智谱AI的API接口。主要步骤包括：1）搭建AntDesignX样本间；2）获取智谱AI的API接入信息；3）修改代码中的请求配置，设置基础URL、API密钥和模型参数；4）调整请求处理逻辑，实现流式响应处理和数据拼接。关键点在于正确配置请求参数和实现流式数据的实时更新，最终完成与智谱AI的对接。
【第4章 图像与视频】4.6 结合剪辑区域来绘制图像
最新发布
奋斗的小猪
05-29 681
本节将综合运用图像处理、离屏 canvas 以及剪辑区域等技术实现墨镜效果。
AI大模型赋能客服中心：实施路径与关键策略
2202_75469062的博客
05-29 790
AI大模型正在重塑客户服务行业格局，为企业客服数字化转型提供创新解决方案。文章系统阐述了AI大模型在客服领域的完整应用路径：首先明确业务需求与量化目标，选择适配的AI模型；其次做好数据准备与系统集成，通过试点验证模型效能；然后持续优化训练，逐步扩大应用范围；最后建立长期运营机制。实施过程中需应对技术适配、品牌契合和成本控制等挑战，采用"敏捷试点、快速迭代"策略。通过科学的全生命周期管理，AI大模型可显著提升客服效率40%以上，降低运营成本30%，同时改善客户体验，实现服务数字化转型。
ollama obsidian
03-15
Ollama 是一种专注于本地运行大语言模型的服务工具，而 Obsidian 则是一款强大的笔记应用，支持知识管理和 Markdown 文件编辑。两者的功能领域不同，但可以通过一些技术手段实现一定程度上的协作。 以下是关于如何...
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值