Ollama Windows 安装与使用全指南：零配置本地运行 Llama、DeepSeek 等大模型，保障隐私与高效体验

优质文章学习记录

— 8 min read
Ollama Windows 安装与使用全指南：零配置本地运行 Llama、DeepSeek 等大模型，保障隐私与高效体验
在这里插入图片描述

Ollama Windows 安装与使用全指南：零配置本地运行 Llama、DeepSeek 等大模型，保障隐私与高效体验

🎯 核心摘要

Ollama 是一个开源工具，可让用户在 Windows 电脑上轻松运行 Llama、DeepSeek 等主流大语言模型。安装过程简单，支持两种方式：官方安装包（推荐新手）或命令行安装。安装后，通过 ollama run 命令即可启动模型交互，常用命令包括模型管理（list/pull/rm）和状态查看（ps）。根据硬件配置，可选择不同参数规模的模型（如8GB内存建议7B参数模型）。进阶应用支持API调用（默认端口11434）和图形界面（Open WebUI），提供类似ChatGPT的体验。常见问题包括模型下载慢、端口冲突等，可通过代理、修改环境变量等方式解决。该工具无需复杂配置，保障数据隐私，适合本地AI开发与使用。

Ollama 是一个开源工具，能让您在个人电脑上轻松运行各种主流大语言模型（如 Llama、DeepSeek 等），无需复杂的配置即可享受 AI 对话、内容生成能力，并确保数据的私密性。下面这个流程图清晰地展示了从准备到熟练使用的完整路径，您可以一目了然地看到每个阶段的关键任务。

开始部署Ollama

环境准备与验证

Ollama安装

方法一: 官方安装包

方法二: 命令行脚本

安装验证

模型管理
拉取/列表/删除

基础交互
命令行对话

进阶应用

API接口调用

图形界面
（Open WebUI）

Python集成

熟练使用

一、环境准备与系统要求

在开始安装前，请确保您的 Windows 设备满足以下条件，这是顺利运行的基础。

组件最低要求推荐配置
操作系统Windows 10/11 64位Windows 11 22H2 或更新版本
内存（RAM）8 GB（可运行 1B-7B 参数模型）16 GB 或以上（可流畅运行 13B 参数模型）
存储空间至少 10 GB 可用空间50 GB 或更多（SSD 优先，用于存放模型文件）
显卡（GPU）集成显卡（使用 CPU 模式运行）NVIDIA 独立显卡（显存 ≥ 8GB） 以获得 GPU 加速

必要检查：

  • 验证显卡驱动：按 Win + R 键，输入 cmd 打开命令提示符，然后输入 nvidia-smi。如果显示出显卡驱动和 CUDA 版本信息，说明驱动已就绪。
  • 确认 Python：在命令提示符中输入 python --version，建议版本为 3.8 或以上。

二、安装 Ollama

您可以选择以下任意一种方法进行安装。

方法一：使用官方安装包（最简单，推荐新手）

这是最直接的方式，适合绝大多数用户。

  1. 下载安装程序：访问 https://ollama.com/download，选择 “Download for Windows”。这会下载一个名为 OllamaSetup.exe 的文件。
  2. 运行安装：双击下载的 .exe 文件，如果出现用户账户控制（UAC）提示，请点击“是”。安装程序将自动完成所有配置，包括将 Ollama 添加到系统路径。

验证安装：安装完成后，重新打开一个新的命令提示符（CMD）或 PowerShell 窗口，输入以下命令：

ollama --version

如果正确显示版本号（例如 ollama version 0.1.20），则说明安装成功。

方法二：通过命令行安装（可选）

如果您习惯使用命令行，或者遇到网络问题，可以尝试此方法。

  1. 以管理员身份打开 PowerShell。

执行以下命令一键安装：

curl -fsSL https://ollama.com/install.sh | sh

如果因网络问题下载缓慢，可以尝试使用国内镜像源加速。（可选）修改模型存储路径：默认情况下，模型会下载到 C 盘用户目录。如果 C 盘空间紧张，可以提前修改存储位置。右键点击“此电脑” -> “属性” -> “高级系统设置” -> “环境变量”，在“系统变量”中点击“新建”，创建一个名为 OLLAMA_MODELS 的新变量，将其值设置为您想要的路径，例如 D:\ollama\models。设置后需重启 Ollama 服务。

三、基础使用：快速开始

安装成功后，您就可以开始体验本地大模型了。

1. 拉取并运行您的第一个模型

在命令提示符中，使用 ollama run 命令。例如，要运行 Meta 发布的 Llama 3 模型：

ollama run llama3

Ollama 会自动从模型库下载所需的文件。下载完成后，会直接进入交互式对话界面，您可以开始输入问题。

2. 常用模型管理命令

掌握以下几个命令，就能高效管理您的本地模型：

命令作用示例
ollama list列出本地已下载的所有模型ollama list
ollama pull仅下载模型，但不立即运行ollama pull deepseek-r1:7b
ollama rm删除本地不再需要的模型ollama rm llama2:13b
ollama ps查看当前正在运行的模型ollama ps

3. 模型选择建议

根据您的硬件配置选择合适的模型，可以在性能和效果间取得良好平衡：

  • 低配设备（8GB内存）：建议运行 1.5B 或 7B 参数模型，如 deepseek-r1:1.5b。
  • 中端设备（16GB内存）：可流畅运行 7B 或 13B 参数模型，如 llama3:8b 或 qwen2:7b。
  • 高性能设备（32GB+内存）：可尝试 34B 或 70B 参数的大型模型。

四、进阶应用

Ollama 不仅是一个命令行工具，更是一个本地 AI 服务器，支持多种集成方式。

1. 使用 API 接口

Ollama 在安装后会自动在后台启动一个服务，默认监听 http://localhost:11434。这意味着您可以通过任何编程语言来调用它。

Python 调用示例：Ollama 提供了官方的 Python 库，可以非常方便地集成到您的项目中。

# 首先安装 Python 库: pip install ollamaimport ollama response = ollama.chat(model='llama3', messages=[{'role':'user','content':'为什么天空是蓝色的？',},])print(response['message']['content'])

测试 API：您可以使用 curl 进行快速测试：

curl http://localhost:11434/api/generate -d '{ "model": "llama3", "prompt": "请用中文介绍一下你自己", "stream": false }'

2. 使用图形化界面（WebUI）

如果您不习惯命令行，可以部署 Open WebUI 等图形界面，获得类似 ChatGPT 的体验。
使用 Docker 是启动 Open WebUI 最简单的方式：

docker run -d --network=host -v open-webui:/app/backend/data -e OLLAMA_BASE_URL=http://127.0.0.1:11434 --name open-webui --restart always ghcr.io/open-webui/open-webui:main

安装后，在浏览器中访问 http://localhost:3000 即可使用。首次使用需要创建账号，在设置中确保 “Ollama Base Url” 正确指向 http://127.0.0.1:11434。

五、常见问题与优化

问题原因与解决方案
模型下载慢或失败由于网络原因，可以尝试使用代理或多次重试命令。部分社区教程提供了通过国内镜像站手动下载模型文件的方法。
端口冲突如果 11434 端口被占用，可以设置环境变量 OLLAMA_HOST 来更改端口，例如 set OLLAMA_HOST=127.0.0.1:11435，然后重启 Ollama 服务。
显存不足尝试拉取参数更小或经过量化的模型版本（通常在模型名中带有 q4_0, q6_k 等后缀），或在运行命令时添加 --num_gpu 1 等参数限制 GPU 使用层数。

希望这份详细的指南能帮助您顺利在 Windows 上搭建属于自己的本地大模型平台。如果您在具体步骤中遇到问题，欢迎随时提出。

Read more

配电房智能辅助监控系统 站端监控设备-温湿度、水浸、烟雾、视频、门禁、巡检机器人、空调、灯光

配电房智能辅助监控系统 站端监控设备-温湿度、水浸、烟雾、视频、门禁、巡检机器人、空调、灯光

一、项目概况 智能配电监控系统在配电工程中的应用分析，以 10kV 的配电工程为例，这一配电站宽 16m，长 7m，而配电室所占据的比例相对较小，因此，各种设备等所占据的空间极为有限（如图 1 所示）。 从图上能够看到，配电室入口是监控室，内装有监控屏，能够进行操作，实现随时监控配电工程的运作情况。监控室内的监控装置具有一定的自动性，与配电工程各个环节通过计算机技术，实现信息的互通，通过智能配电监控系统获取信息，实现信息采集，而后通过计算机主机、计算机相关程序对所采集的信息进行处理 二、建设目标 项目建设目标是：建设成切合电力生产实际应用的，能够保障电网生产安全运行的监控平台。 2.1 支撑远程运维 1）建设配电房智能辅助监控系统一体化监控平台，实现对配电站房环境子系统（温度、湿度、水浸）以及灯光、空调等控制子系统、门禁监控子系统进行统一监控管理。实现对各子系统的报警信息的统一管理，实现各子系统之间的报警联动； 2）实现以配电站房为单位，对配电站房内进行远程巡检；
【节点】[Triplanar节点]原理解析与实际应用

【节点】[Triplanar节点]原理解析与实际应用

【Unity Shader Graph 使用与特效实现】专栏-直达 Triplanar节点是Unity URP Shader Graph中一个功能强大的纹理采样工具，它通过在世界空间的三个坐标轴上投影纹理来解决复杂几何体纹理映射的难题。与传统的UV映射方法不同，Triplanar映射不需要预先定义UV坐标，而是基于物体的世界位置和法线方向动态生成纹理投影，这使得它特别适合处理不规则形状的模型或需要无缝纹理拼接的场景。 在游戏开发中，Triplanar技术被广泛应用于地形渲染、程序化生成环境、岩石、山脉等自然元素的纹理映射。传统UV映射在处理这类复杂表面时往往会出现纹理拉伸、接缝明显等问题，而Triplanar映射能够自动根据表面角度混合三个平面的投影，创造出更加自然和连续的纹理效果。 描述 Triplanar节点的核心原理是基于世界空间坐标在三个轴向（X、Y、Z）上分别进行纹理投影和采样。当Shader处理每个片段时，节点会计算该片段在世界空间中的位置和法线方向，然后在三个坐标平面上分别生成UV坐标并对输入纹理进行采样。最终的颜色输出是这三个采样结果的加权混合，权重由表面法线
开启AI绘画 “工作流时代” 的神奇应用----Comfy UI | 使用CNB平台搭建ComfyUI

开启AI绘画 “工作流时代” 的神奇应用----Comfy UI | 使用CNB平台搭建ComfyUI

文章目录 * 概要 * 操作流程 概要 ComfyUI 是一款基于节点流程的可视化 AI 生成工具，核心围绕 Stable Diffusion 等主流生成式 AI 算法构建，通过图形化节点拆解生成全流程，实现从文本 / 图像输入到图像 / 视频输出的 “精准可控创作”。 腾讯云 CNB（Cloud Native Build，官网：cnb.cool）是基于 Docker 生态的云原生开发协作平台，核心定位是通过容器化技术与资源池化能力，为开发者提供 “一键就绪” 的远程开发环境，尤其聚焦开源项目协作与 AI 工具落地，无需本地配置复杂硬件与环境即可开展开发、测试与创作。链接：cnb 操作流程 接下来展示使用腾讯云cnb搭建comfyui的流程： （1）到CNB网站 fork 项目 链接：cnb 可以直接使用已经搭建好的comfyui

Reachy Mini创客实践指南：从零打造你的开源机器人

Reachy Mini创客实践指南：从零打造你的开源机器人 【免费下载链接】reachy_miniReachy Mini's SDK 项目地址: https://gitcode.com/GitHub_Trending/re/reachy_mini 开源机器人技术正以前所未有的速度走进创客工作室和家庭实验室。Reachy Mini作为一款完全开源的桌面机器人平台，为机器人入门爱好者提供了从硬件组装到软件编程的完整实践路径。本文将带你逐步掌握3D打印部件制造、传感器系统集成和运动控制调试的核心技能，最终完成属于自己的智能交互机器人。 理解机器人核心架构：从机械结构到电子系统 Reachy Mini的设计采用模块化架构，主要由三大功能单元构成：稳定的底盘基础、六自由度头部运动平台和集成多传感器的智能交互系统。这种分层设计不仅降低了组装难度，更为后续功能扩展提供了便利。 底盘系统承担机器人的整体支撑和旋转功能，通过单个高性能电机实现360度水平转动。头部运动机构采用六自由度并联结构，能够向六个方向灵活转动，这种设计相比传统串联机械臂具有更高的结构刚度和运动精度。智能交互系统则集