Ollama 是一个开源框架，专为在本地机器上便捷部署和运行大型语言模型（LLM）而设计。
以下是其主要特点和功能概述：
1. 简化部署：Ollama 目标在于简化在 Docker 容器中部署大型语言模型的过程，使得非专业用户也能方便地管理和运行这些复杂的模型。
2.轻量级与可扩展：作为轻量级框架，Ollama 保持了较小的资源占用，同时具备良好的可扩展性，允许用户根据需要调整配置以适应不同规模的项目和硬件条件。
3. API支持：提供了一个简洁的 API，使得开发者能够轻松创建、运行和管理大型语言模型实例，降低了与模型交互的技术门槛。
4. 预构建模型库：包含一系列预先训练好的大型语言模型，用户可以直接选用这些模型应用于自己的应用程序，无需从头训练或自行寻找模型源。
5. 模型导入与定制：
从 GGUF 导入：支持从特定平台（如GGUF，假设这是一个模型托管平台）导入已有的大型语言模型。从 PyTorch 或 Safetensors 导入：兼容这两种深度学习框架，允许用户将基于这些框架训练的模型集成到 Ollama 中。自定义提示：允许用户为模型添加或修改提示（prompt engineering），以引导模型生成特定类型或风格的文本输出。
6. 跨平台支持：提供针对 macOS、Windows（预览版）、Linux 以及 Docker 的安装指南，确保用户能在多种操作系统环境下顺利部署和使用 Ollama。
7. 命令行工具与环境变量：
命令行启动：通过命令 ollamaserve 或其别名 serve、start 可以启动 Ollama 服务。
环境变量配置：如 OLLAMA_HOST，用于指定服务绑定的主机地址和端口，默认值为 127.0.0.1:11434，用户可以根据需要进行修改。
一、本地部署
ollama run llama3部署完成：
其他模型：
二、调用本地大模型API
在第一步部署完之后，就会有这个标志了，就已经开启api服务了。
http://localhost:11434/api/generate接下来，我们尝试使用代码去调用它。运行下面这个python代码。
import requests
# 发送 API 请求获取回复
url = "http://localhost:11434/api/generate"
payload = {"model": "llama3", "prompt": "中文回答，你是谁"}
response = requests.post(url, json=payload)
response_json = response.json()
print(response_json)结果报错：
D:\lamma>python 1.py
Traceback (most recent call last):File "E:\Anaconda3\Lib\site-packages\requests\models.py", line 960, in jsonreturn complexjson.loads(self.content.decode(encoding), **kwargs)^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^File "E:\Anaconda3\Lib\json\__init__.py", line 346, in loadsreturn _default_decoder.decode(s)^^^^^^^^^^^^^^^^^^^^^^^^^^File "E:\Anaconda3\Lib\json\decoder.py", line 340, in decoderaise JSONDecodeError("Extra data", s, end)
json.decoder.JSONDecodeError: Extra data: line 2 column 1 (char 91)During handling of the above exception, another exception occurred:Traceback (most recent call last):File "D:\lamma\1.py", line 6, in <module>response_json = response.json()^^^^^^^^^^^^^^^File "E:\Anaconda3\Lib\site-packages\requests\models.py", line 968, in jsonraise RequestsJSONDecodeError(e.msg, e.doc, e.pos)
requests.exceptions.JSONDecodeError: Extra data: line 2 column 1 (char 91)这是由于，大模型的输出是流式的，所以改成非流式就可以了。
import requests
# 发送 API 请求获取回复
url = "http://localhost:11434/api/generate"
payload = {"model": "llama3", "prompt": "中文回答，你是谁" ,"stream":False}
response = requests.post(url, json=payload)
response_json = response.json()
print(response_json)
这个看起来还是不舒服，怎么才能又快又看着舒服呢。
那就是只打印回答的文本，和修改为流式输出。
