针对“ollama使用示例”这一需求，核心在于提供清晰、可执行的具体操作命令与代码片段，涵盖从基础模型交互到高级集成的全过程。以下内容将遵循“答案生成规范”，以表格与代码块为主要组织形式，结合具体场景进行详实说明[ref_2][ref_3]。 ### 一、核心命令行操作示例 Ollama 的命令行工具是其最直接、最常用的交互方式，用于模型的生命周期管理。 | 功能类别 | 命令示例 | 功能说明与参数解释 | | :--- | :--- | :--- | | **模型运行与交互** | `ollama run llama3:8b` | 拉取（若未本地缓存）并运行 `llama3:8b` 模型，进入交互式对话模式[ref_2]。 | | | `ollama run gemma:7b -–verbose` | 运行模型并开启详细日志输出，有助于调试。 | | **模型管理** | `ollama pull qwen2:7b-instruct` | 仅下载指定模型而不运行，适合预先准备[ref_3]。 | | | `ollama list` | 列出本地已下载的所有模型及其版本、大小[ref_2][ref_6]。 | | | `ollama cp llama3:8b my-backup` | 复制一个模型副本，副本名为 `my-backup`[ref_2]。 | | | `ollama rm mistral:7b` | 删除本地指定的模型文件以释放磁盘空间[ref_2][ref_6]。 | | **服务与控制** | `ollama serve` | 以后台服务模式启动 Ollama，这是 API 调用的前提[ref_1][ref_6]。 | | | `ollama ps` | 显示当前正在运行的模型服务进程信息[ref_6]。 | **进阶命令行示例：带参数的生成** 在交互模式或单次生成中，可以通过参数调整模型行为。以下命令演示如何向已运行的模型服务发送单次生成请求[ref_3]： ```bash # 非交互式单次请求，直接获取答案 ollama run llama3:8b “请用Python编写一个计算斐波那契数列的函数” ``` ```bash # 使用curl通过API进行单次生成，效果与上一条命令类似，但更适用于脚本调用 curl http://localhost:11434/api/generate -d '{ "model": "llama3:8b", "prompt": "请用Python编写一个计算斐波那契数列的函数", "stream": false, "options": { "temperature": 0.8, # 控制创造性，值越高输出越随机 "num_predict": 512 # 限制生成的最大令牌数 } }' ``` ### 二、Python 集成使用示例 通过 `ollama` Python 库，可以将模型能力无缝集成到应用程序中。首先需要安装该库：`pip install ollama`[ref_2][ref_5]。 #### 1. 基础对话与流式响应 ```python import ollama # 示例1：进行一次简单的对话（非流式） response = ollama.chat( model='qwen2:7b', messages=[ {'role': 'user', 'content': '请解释一下什么是机器学习。'} ] ) print(f"模型回复：