Ollama本地搭建大模型

最新推荐文章于 2025-02-24 10:02:17 发布
最新推荐文章于 2025-02-24 10:02:17 发布
阅读量867 收藏 18
点赞数 24
文章标签： spring cloud ollama deepseek openwebui spring-ai
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/yangzsirr/article/details/145457150
版权

短短一夜之间，中国的AI大模型DeepSeek迅速崛起，成功引起了全球科技界的广泛关注。

deepSeek爆火时间线

DeepSeek大事记

  1. 技术突破与产品发布
    • 2024年12月26日：DeepSeek-V3发布，知识类任务水平提升，生成吐字速度加快。
    • 2025年1月20日：DeepSeek开源推理模型DeepSeek-R1发布。
    • 2025年1月24日：DeepSeek发布多模态大模型Janus-Pro。
    • 2025年1月27日：DeepSeek应用登顶中国和美国苹果应用商店免费APP下载排行榜。
  1. 市场与行业影响
    • 2025年1月27日：DeepSeek导致美股科技股暴跌，英伟达单日市值蒸发约6000亿美元，创下美股史上最大单日市值下跌纪录。
    • 2025年1月28日：英伟达、亚马逊、微软等美国科技巨头宣布接入DeepSeek。
  1. 遭遇网络攻击
    • 2025年1月3日：DeepSeek开始遭受网络攻击，前期为HTTP代理攻击。
    • 2025年1月20日-26日：攻击者采用SSDP/NTP反射放大攻击。
    • 2025年1月27日：攻击数量激增，手段升级为应用层攻击及暴力破解。
    • 2025年1月28日凌晨：DeepSeek官网发布公告称线上服务遭遇大规模恶意攻击。
    • 2025年1月30日凌晨：攻击烈度再次升级，大量僵尸网络参与其中。

各方表态

各国政府表态
  1. 美国
    • 政府层面：美国众议院首席行政事务官向国会办公室发出通知，警告国会办公室不要使用DeepSeek的服务。
    • 军事层面：美国海军禁止内部人员使用DeepSeek，称其存在“潜在安全和道德问题”。
    • 舆论层面：美国媒体广泛报道DeepSeek，认为其对美国AI领先地位构成挑战。
  1. 英国
    • 议会层面：英国议会对DeepSeek热议非凡，议员们盛赞其卓越性能和开源精神，认为其为英国攀登全球人工智能顶峰提供了机遇。
    • 舆论层面：英国媒体认为DeepSeek的出现使美国巨额投资显得多余，苏格兰因其天然优势被看作是数据中心建设的理想地点。
  1. 印度
    • 政府层面：印度部长称赞DeepSeek低成本AI模型，认为其为印度提供了有益的借鉴。
    • 舆论层面：印度社会反思自身在AI领域的发展不足，对中国推出DeepSeek表示羡慕和焦虑。
  1. 其他国家
    • 日本：日本内阁官房长官林芳正表示，尚未有特别应对方针，将密切关注AI相关国际开发动向。
    • 法国：法国监管机构国家信息与自由委员会表示，将对DeepSeek进行问询，了解其系统运行及可能存在的隐私风险。
    • 意大利、爱尔兰、澳大利亚：这些国家也对DeepSeek的使用表示关注。
头部大公司表态
  1. 英伟达
    • 股价暴跌：2025年1月27日，英伟达股价暴跌近17%，单日市值蒸发约6000亿美元。
    • 技术认可：英伟达科学家Jim Fan认为DeepSeek延续了OpenAI的开放研究使命。
    • 接入合作：英伟达宣布NVIDIA NIM已经可以使用DeepSeek-R1模型。
  1. 微软
    • 股价下跌：微软股价在DeepSeek事件后也出现下跌。
    • 接入合作：微软宣布将DeepSeek-R1正式纳入Azure AI Foundry，并表示DeepSeek“有一些真的创新”，AI成本下降是趋势。
  1. 亚马逊
    • 股价下跌：亚马逊股价在DeepSeek事件后出现下跌。
    • 接入合作：亚马逊表示DeepSeek-R1模型可以在Amazon Web Services上使用。
  1. Meta
    • 股价下跌：Meta股价在DeepSeek事件后出现下跌。
    • 技术反思：Meta CEO马克·扎克伯格表示，DeepSeek有很多值得学习的地方，公司“仍在消化DeepSeek的一些成果”，并计划将其中一些进步应用到Llama中。
  1. OpenAI
    • 抄袭指控：OpenAI对DeepSeek发起抄袭指控。
    • 技术反思：OpenAI创始人山姆·奥特曼承认DeepSeek的强大。
  1. 谷歌
    • 股价下跌：谷歌母公司Alphabet股价在DeepSeek事件后出现下跌。
    • 技术反思：谷歌等公司开始重新评估AI投资策略。
  1. 阿斯麦
    • 积极评价：阿斯麦总裁兼首席执行官富凯表示，DeepSeek推出高效AI模型是个好消息，有助于降低AI应用成本，为阿斯麦带来更多商机。

程序员参与吃瓜

  • 程序员是否有必要关注，如何参与这一场全球舆论？
  • 学习大模型应用门槛有多高？
  • java社区对大模型的应用跟进状态？

带着这些朴素的问题，我们从最简单的开始，自己动手本地搭建大模型，切身感受AI能为我们做什么，学习使用门槛有多低。

Ollama

什么是Ollama

Ollama 是一个用于本地运行和部署大型语言模型（LLM，Large Language Models）的平台。它使开发者能够在本地环境中运行 AI 模型，而不必依赖于云服务。这个工具支持多种类型的 LLM，能够帮助开发者更轻松地与 AI 模型交互、进行训练和调优。

Ollama 主要特点包括：

  1. 本地部署：Ollama 允许用户在本地运行多个大型语言模型，避免了云计算带来的延迟和隐私问题。
  2. 易于使用：它通过命令行工具和简单的 API，提供了直接与模型交互的方式。
  3. 多模型支持：支持各种类型的 LLM，比如 GPT 系列、LLaMA 等。
  4. 轻量级：它优化了模型运行的资源消耗，可以在普通的本地机器上运行，而不需要强大的 GPU 资源。

Ollama 适合那些希望在本地环境中控制和运行大型语言模型的开发者，尤其在需要减少延迟、保护数据隐私或避免过度依赖云计算的情况下特别有用。

官网

Ollama

支持多种平台

也可以使用docker安装

https://hub.docker.com/r/ollama/ollama

本次使用docker安装演示：

直接访问11434端口，可查看Ollama状态：curl http://localhost:11434

模型

有了平台，哪里去找可运行的大模型？Ollama也准备好了。

Ollama

查看模型详情

deepseek-r1:8b

使用风格跟docker非常类似，复制命令执行即可

ollama run deepseek-r1:1.5b
# docker
# docker exec -it ollam ollama run deepseek-r1:1.5b

安装完成之后，就可以使用本地的大模型进行普通的问答了

控制台问答用起来有些不舒服，我们可以用一些开源的web工具，如Open WebUI。

Open WebUI

Open WebUI 是一个可扩展的、功能丰富且用户友好的自托管人工智能平台，设计为完全离线运行。它支持各种 LLM 运行器，如Ollama和OpenAI 兼容的 API，带有内置推理引擎用于检索增强生成（RAG），使其成为一个强大的人工智能部署解决方案。

官网

https://docs.openwebui.com

使用docker安装
docker run -d -p 3000:8080 \
--add-host=host.docker.internal:host-gateway \
-v open-webui:/app/backend/data --name open-webui \
--restart always ghcr.io/open-webui/open-webui:main

安装完成之后，访问 http://localhost:3000

可以看到和ChatGPT的对话框相似。

能自动识别到本地通过Ollama运行的大模型，直接选择就可以愉快的对话了。

Lobe Chat

官网：LobeHub - LobeChat: Personal LLM productivity tool, surpassing the ChatGPT / OLLaMA user experience

使用docker安装
 docker run -d -p 3210:3210 --add-host=host.docker.internal:host-gateway -e OLLAMA_PROXY_URL=http://host.docker.internal:11434 lobehub/lobe-chat

访问3210端口：

配置ollama地址

开始对话

Spring整合Ollama

Spring AI 是 Spring 框架的一部分，它目的是为构建与人工智能（AI）和机器学习（ML）相关的应用程序提供支持。这个模块整合了常见的 AI 工具和库，简化了 Spring 开发者在应用中引入 AI 功能的过程。Spring AI 是为了让开发者能够以更简单、直观的方式将 AI 功能嵌入到 Spring 应用程序中，并提高生产力。

官网

Spring AI

新建工程

选择AI模块的Ollama

<?xml version="1.0" encoding="UTF-8"?>
<project xmlns="http://maven.apache.org/POM/4.0.0" xmlns:xsi="http://www.w3.org/2001/XMLSchema-instance"
  xsi:schemaLocation="http://maven.apache.org/POM/4.0.0 https://maven.apache.org/xsd/maven-4.0.0.xsd">
  <modelVersion>4.0.0</modelVersion>
  <parent>
    <groupId>org.springframework.boot</groupId>
    <artifactId>spring-boot-starter-parent</artifactId>
    <version>3.4.2</version>
    <relativePath/> <!-- lookup parent from repository -->
  </parent>

  <groupId>com.example.ai</groupId>
  <artifactId>spring-ai-demo</artifactId>
  <version>0.0.1-SNAPSHOT</version>
  <name>spring-ai-demo</name>

  <properties>
    <java.version>17</java.version>
    <spring-ai.version>1.0.0-SNAPSHOT</spring-ai.version>
  </properties>

  <dependencies>
    <dependency>
      <groupId>org.springframework.boot</groupId>
      <artifactId>spring-boot-starter-web</artifactId>
    </dependency>
    <dependency>
      <groupId>org.springframework.ai</groupId>
      <artifactId>spring-ai-ollama-spring-boot-starter</artifactId>
    </dependency>

    <dependency>
      <groupId>org.projectlombok</groupId>
      <artifactId>lombok</artifactId>
      <optional>true</optional>
    </dependency>
    <dependency>
      <groupId>org.springframework.boot</groupId>
      <artifactId>spring-boot-starter-test</artifactId>
      <scope>test</scope>
    </dependency>
  </dependencies>
  <dependencyManagement>
    <dependencies>
      <dependency>
        <groupId>org.springframework.ai</groupId>
        <artifactId>spring-ai-bom</artifactId>
        <version>${spring-ai.version}</version>
        <type>pom</type>
        <scope>import</scope>
      </dependency>
    </dependencies>
  </dependencyManagement>

  <build>
    <plugins>
      <plugin>
        <groupId>org.springframework.boot</groupId>
        <artifactId>spring-boot-maven-plugin</artifactId>
      </plugin>
    </plugins>
  </build>

  <repositories>
    <repository>
      <id>spring-milestones</id>
      <name>Spring Milestones</name>
      <url>https://repo.spring.io/snapshot</url>
      <releases>
        <enabled>false</enabled>
      </releases>
    </repository>
  </repositories>

</project>

application.yaml

spring:
  application:
    name: spring-ai-demo
  ai:
    ollama:
      base-url: http://localhost:11434

代码demo


@RestController
@RequestMapping("/ai/ollama")
public class OllamaChatController {

    @Autowired
    private OllamaChatModel ollamaChatModel;

    @GetMapping("/chat")
    public Object chat(@RequestParam(value = "msg",defaultValue = "你好！") String msg) {
        String call = ollamaChatModel.call(msg);
        System.out.println(call);
        return call;
    }
}

启动服务，并访问：

RAG

什么是RGA？

RAG（Retrieval-Augmented Generation）是一种结合信息检索（Information Retrieval）和生成模型（Generative Models）的方法，用于提升自然语言处理（NLP）任务的性能。RAG 的核心思想是将信息检索与生成模型的能力相结合，通过检索外部知识来增强模型生成的质量，尤其是在需要大规模知识的场景下，如问答系统、对话生成和文档生成等。

RAG 与 LLM 配合使用的概念流程：

anythingLLM

官网：https://anythingllm.com/

安装：支持多端

docker安装：https://hub.docker.com/r/mintplexlabs/anythingllm

docker pull mintplexlabs/anythingllm:latest


docker run -d \
 --name anythingllm \
 --add-host=host.docker.internal:host-gateway \
 --health-cmd "/bin/bash /usr/local/bin/docker-healthcheck.sh || exit 1" \
 --health-interval 60s \
 --health-start-period 60s \
 --health-timeout 10s \
 -p 3001:3001/tcp \
 --restart=always \
 --user anythingllm \
 -w /app \
 mintplexlabs/anythingllm

访问：

可以在工作区上传自己的知识库，anythingLLM提供检索能力。

连接一些常见的数据源

RAGflow

https://github.com/infiniflow/ragflow/blob/main/README_zh.md

spring ai整合知识库

前面通过RAG介绍知道，需要将知识存到一个向量数据库中。

向量数据库

VectorDBBench: An Open-Source VectorDB Benchmark Tool

DB-Engines Ranking

演示使用pgvector

安装向量数据库pgvector(postgres封装提供)

docker run -d --name pgvector -p 5433:5433 \
  -e POSTGRES_USER=root -e POSTGRES_PASSWORD=root pgvector/pgvector:pg17

选择数据向量化模型

确定使用什么embedding向量化数据。

下载量最大的是这个nomic-embed-text。

ollama pull nomic-embed-text

注意：embedding模型无需run命令

创建向量数据库

建库建表

create database spring_ai;

CREATE EXTENSION IF NOT EXISTS vector;
CREATE EXTENSION IF NOT EXISTS hstore;
CREATE EXTENSION IF NOT EXISTS "uuid-ossp";

CREATE TABLE IF NOT EXISTS vector_store (
	id uuid DEFAULT uuid_generate_v4() PRIMARY KEY,
	content text,
	metadata json,
	embedding vector(768) // 768 is the nomic-embed-text default embedding dimension
);

CREATE INDEX ON vector_store USING HNSW (embedding vector_cosine_ops);

application.yaml

spring:
  application:
    name: demo-spring-ai
  datasource:
    driver-class-name: org.postgresql.Driver
    url: jdbc:postgresql://47.236.8.42:5432/spring_ai
    username: root
    password: root
  ai:
    vectorstore:
      pgvector:
        index-type: HNSW
        distance-type: COSINE_DISTANCE
        dimensions: 768
        max-document-batch-size: 10000
    ollama:
      embedding:
        enabled: true
        model: nomic-embed-text
      base-url: http://47.236.8.42:11434
      chat:
        model: deepseek-r1:1.5b
        options:
          temperature: 0.1

使用java代码，利用nomic-embed-text embedding模型向量化文本数据，并将向量数据保存到向量数据库pgvector中。

@Resource
private VectorStore vectorStore;

@Test
void save() throws Exception {
    ClassPathResource classPathResource = new ClassPathResource("xxxjjj.txt");
    String content = FileUtils.readFileToString(classPathResource.getFile(), "UTF-8");
    List<Document> list = Arrays.stream(content.split("([。.;])"))
                        .map(Document::new).collect(Collectors.toList());
    vectorStore.write(list);
}

测试RAG能力代码，可以查询知识库相关内容。

@RestController
@RequestMapping("/ai/ollama")
public class OllamaChatController {

    @Autowired
    private ChatClient chatClient;

    @GetMapping("/chat")
    public Object chat(@RequestParam(value = "msg",defaultValue = "你好！") String msg) {
        String prompt = chatClient.prompt().user(msg).call().content();
        System.out.println(prompt);
        return prompt;
    }
}


@Configuration
public class OllamaConfiguration {

    @Autowired
    private OllamaChatModel ollamaChatModel;
    @Autowired
    private VectorStore vectorStore;

    @Bean
    public ChatClient chatClient(ChatMemory chatMemory) {
        return ChatClient.builder(ollamaChatModel)
                .defaultAdvisors(
                        new MessageChatMemoryAdvisor(chatMemory),
                        new QuestionAnswerAdvisor(vectorStore)
                )
                .build();
    }


    @Bean
    public ChatMemory chatMemory() {
        return new InMemoryChatMemory();
    }
}

测试：

向量化的知识库文本数据为

数据库表内容：

测试问答：

参考链接

DeepSeek

Ollama

LM Studio - Discover, download, and run local LLMs

🏡 Home | Open WebUI

LobeChat: Personal LLM productivity tool

Introduction :: Spring AI Reference

AnythingLLM | The all-in-one AI application for everyone

ragflow/README_zh.md at main · infiniflow/ragflow

huggingface

ModelScope 魔搭社区

Cursor - The AI Code Editor

路人丁.
关注
ModelScope；Ollama搭建本地大模型
ZJQ的博客
12-29 1366
ModelScope;Ollama搭建本地大模型
五分钟使用ollama部署本地大模型
最新发布
zwl2220943286的博客
04-07 870
五分钟使用ollama安装部署本地大模型
四、【智能体】RGA架构、工作流程以及关键组件
qq_40585384的博客
10-15 2382
这是RAG的最后一个阶段。经过增强的生成模型会根据检索到的上下文信息，利用像GPT这样的语言模型生成回答或内容。关键在于生成模型的语言流畅性和创意能力，通过结合检索的信息生成连贯、自然的文本。这个步骤的核心目标是将检索到的信息转化为有用的上下文，以提升生成的质量。这个阶段决定了最终输出的质量，RAG能够实现比传统生成模型更高的准确性和信息丰富度，因为它在生成前已经获得了检索增强的信息支持。RAG可以视为在LLM基础上的扩展或应用，利用LLM的生成能力和外部知识库的丰富信息来提供更准确、信息丰富的输出。
一文彻底搞懂大模型 - RAG（检索、增强、生成）
2301_78285120的博客
09-01 3771
如何理解RAG？通过上一个问题，我们知道了什么是RAG？了解到RAG是一种结合了信息检索、文本增强和文本生成的自然语言处理（NLP）的技术。RAG的目的是通过从外部知识库检索相关信息来辅助大语言模型生成更准确、更丰富的文本内容。那我们如何理解RAG的检索、增强和生成呢？检索：检索是RAG流程的第一步，从预先建立的知识库中检索与问题相关的信息。这一步的目的是为后续的生成过程提供有用的上下文信息和知识支撑。
AI - 人工智能；Ollama大模型工具；Java之SpringAI（三）
MinggeQingchun的博客
11-07 2270
它能够帮助用户快速在本地运行各种大模型，极大地简化了大模型在本地运行的过程。1、例如，运行一个7B（70亿参数）的模型至少需要8GB的可用内存(RAM)，而运行一个13B（130亿参数）的模型需要16GB的内存，33B（330亿参数）的模型需要32GB的内存。4、显卡（GPU）：Ollama支持纯CPU运行，但如果电脑配备了NVIDIA GPU，可以利用GPU进行加速，提高模型的运行速度和性能。2、需要考虑有足够的磁盘空间，大模型的文件大小可能比较大，建议至少为Ollama和其模型预留50GB的磁盘空间。
基于大模型的RGA应用开发与优化-构建企业级LLM应用（附PDF）
Y525698136的博客
02-24 1188
当前大模型被普遍看好的两个专业应用方向是 RAG（Retrieval-Augmented Agenerated，检索增强生成）与 Agent（AI 智能体）。本篇首先尝试用通俗易懂的语言帮助大家认识 RAG 这一重要应用形式。
搞懂大模型中的提示工程、RGA、微调
cancer_s的博客
09-09 1113
近几年AI产品的大火带来了新一轮的技术潮，尤为突出的是以生成式的AIGC模型。例如OpenAI公司的ChatGPT、百度的文心一言、阿里巴巴的通义千问、华为的盘古大模型等等。那么对于提示工程、RAG（检索增强）和微调，在工程当中，我们应该怎么去选择呢？首先我们需要了解大模型的流程：1.数据收集：大量的文本数据作为训练数据；2.模型搭建：构建LLM大模型3.训练模型：将收集的数据作为训练数据训练搭建好的LLM模型4.使用模型：喂入关键词，模型自动组合生成对应的回答；
OLLaMA搭建本地大模型
Aweii__的博客
07-26 3871
根据 ChatGPT 的使用经验，大家都知道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。"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，跟Modelfile里面的SYSTEM下面的定义差不多一个意思。
从0到1手把手教你使用Ollama本地部署大模型
程序员Feri
01-20 2540
程序员Feri一名12年+的程序员,做过开发带过团队创过业,擅长Java、鸿蒙、嵌入式、人工智能等开发,专注于程序员成长的那点儿事,希望在成长的路上有你相伴！君志所向,一往无前！
linux 部署Ollama本地大模型
隔壁小红馆
09-05 1789
llama 是一个大模型的管理框架，其作用类似于 Docker：如果将每一个标准化的大模型视为“镜像”，那么 Ollama 就能够通过一行命令快速拉取并运行这些大模型。然而，Ollama 本身是基于命令行的服务，所以为了方便我们对大模型进行微调和使用，还需要引入 maxkb。maxkb 提供了一个 ChatBot 界面，它会把我们输入的结构化知识、转换成大模型可以理解的语言（即嵌入向量），从而实现有效的交互。
使用SpringBoot+Spring调用deepseek-r1模型实现本地免费使用
02-11
通过使用Ollama部署deepseek-r1大模型，使用Spring Boot + Spring AI来调用deepseek-r1模型的API 实现本地完全免费API使用
Prompt提示工程上手指南:基础原理及实践(四)-检索增强生成(RAG)策略下的Prompt
master_hunter的博客
03-25 4106
想象一下，当你在写一篇文章或解决一个问题时，如果遇到了难题，你会怎么做？可能会去搜索引擎查找信息，然后基于找到的信息来构建你的答案。这个过程，其实很像是RAG框架在做的事情。化繁为简，我们先来了解RAG到底是什么。先从字母意思开始理解，RAG——Retrieval Augmented Generation，正如其名，是一种将检索（Retrieval）和生成（Generation）结合起来的技术。它首先从一个巨大的知识库中检索出与提出的问题最相关的信息，然后基于这些信息来生成回答。
Spring AI 第二讲 之 Chat Model API 第二节Ollama Chat
qq_25137131的博客
06-02 2612
通过 Ollama，您可以在本地运行各种大型语言模型 (LLM)，并从中生成文本。Spring AI 通过 OllamaChatModel 支持 Ollama 文本生成。
超级详细Spring AI运用Ollama大模型
热门推荐
爱吃Java的羊的博客
06-05 1万+
官网:https://ollama.com/Ollama是一个用于部署和运行各种开源大模型的工具;它能够帮助用户快速在本地运行各种大模型，极大地简化了大模型在本地运行的过程。用户通过执行几条命令就能在本地运行开源大模型，如Lama 2等;综上，Ollama是一个大模型部署运行工具，在该工具里面可以部署运行各种大模型，方便开发者在本地搭建一套大模型运行环境;下载:https://ollama.com/download说明:Ollama的运行会受到所使用模型大小的影响;
Spring AI 应用开发中设置访问 Ollama 的超时时间
成富的专栏
07-12 2786
使用 Spring AI 开发 AI 应用时，Ollama 通常在本地开发和测试时使用，用来在本地运行大模型。由于本地开发机器的资源限制，当使用 Ollama 运行较大的模型时，大模型给出响应的时间会比较长。Spring AI 提供的 OllamaChatModel 与 Ollama 服务器交互时，默认的超时时间是 30 秒。也就是说，如果 Ollama 服务器无法在 30 秒内给出响应，Spri...
2025年DeepSeek爆火详细报告：回顾DeepSeek的爆火过程（附下载）
goodxianping的专栏
02-09 9600
DeepSeek爆火详细报告深入剖析了DeepSeek在2025年的迅速崛起，从技术突破到市场反应，以及其在国际舞台上的表现和对未来人工智能发展的影响，为读者提供了一个全面而详细的视角。
小学生也能听得懂的大模型 - Transformer 1
2401_85325557的博客
07-29 1260
参考 [小学生也能听得懂的大模型 Transformer 1]
硬核技术组合！用 DeepSeek R1、Ollama、Docker、RAGFlow 打造专属本地知识库
weixin_66401877的博客
02-19 8283
本地部署DeepSeek R1 + Ollama + RAGFlow构建个人知识库，通过将数据完全存储在本地硬盘，彻底杜绝隐私泄露风险，规避云端服务不稳定导致的延迟或中断问题；借助RAGFlow的自定义知识库能力，可精准解析专业文档（如法律、医疗资料），突破通用大模型的领域局限，实现高效检索与智能问答，打造安全、稳定且持续进化的专属知识中枢。
ollama 大模型搭建
12-30
### 搭建Ollama大模型教程 #### 系统准备 为了成功搭建Ollama大模型环境，需确认目标机器满足最低硬件需求并完成必要的软件安装。通常建议的操作系统为Linux或macOS，Windows通过WSL2也可实现兼容[^2]。 #### 安装...
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