在
Ollama使用教程
这篇文章中写的是 Ollama 的整体使用，但后来我把 ollama -h 的输出完整看了一遍，发现很多命令和参数平时根本没注意过。这篇算是补课，把每个命令的参数、用法、适用场景都过一遍。更适合当成速查手册来用。
全局 Flags 和环境变量
先说说ollama命令本身自带的几个全局参数。
| Flag | 说明 |
|---|---|
-h, --help | 显示帮助 |
--nowordwrap | 不自动换行，长行会超出终端边界 |
--verbose | 显示回复的时间统计（首 token 时延、生成速度等） |
-v, --version | 版本号 |
--verbose在调试模型性能时很有用，尤其对比不同量化级别、不同 GPU 分配方式的响应速度。--nowordwrap大多数时候用不上，除非你输出的是表格或 json 不希望被打断。
环境变量方面，很多命令都共用 OLLAMA_HOST（服务地址），但 ollama serve 有一大堆专有变量。
ollama serve
ollama serve负责启动 Ollama 服务端。后台服务通常开机自启（Linux systemd、macOS launchd、Windows 服务），但手动调试时可以用 ollama serve 在前台跑，日志直接打印到终端。
命令别名：serve, start。
重要环境变量（这里只列最常用的几个）：
| 变量 | 默认值 | 说明 |
|---|---|---|
OLLAMA_DEBUG | 未设置 | 设为 1 开启调试日志 |
OLLAMA_HOST | 127.0.0.1:11434 | 监听地址和端口，改 0.0.0.0:11434 可允许外部访问 |
OLLAMA_CONTEXT_LENGTH | 动态（4k/32k/256k 基于显存） | 覆盖默认上下文长度 |
OLLAMA_KEEP_ALIVE | 5m | 模型在内存中保持加载的时间。设为 -1 永久驻留，0 立即卸载 |
OLLAMA_MAX_LOADED_MODELS | 未设置 | 每个 GPU 最多同时加载的模型数 |
OLLAMA_MAX_QUEUE | 未设置 | 最大排队请求数 |
OLLAMA_MODELS | ~/.ollama/models | 模型文件存放目录 |
OLLAMA_NUM_PARALLEL | 未设置 | 并行处理的最大请求数（需模型支持） |
OLLAMA_NO_CLOUD | 未设置 | 设为 1 禁用云功能（远程推理和 web search） |
OLLAMA_NOPRUNE | 未设置 | 启动时不清理模型 blobs |
OLLAMA_ORIGINS | 未设置 | 允许跨域访问的来源（逗号分隔） |
OLLAMA_SCHED_SPREAD | 未设置 | 总是跨所有 GPU 调度模型 |
OLLAMA_FLASH_ATTENTION | 未设置 | 启用 flash attention（加速长上下文） |
OLLAMA_KV_CACHE_TYPE | f16 | KV cache 量化类型（可选 q8_0, q4_0） |
OLLAMA_GPU_OVERHEAD | 未设置 | 为每个 GPU 预留的显存（字节） |
OLLAMA_LOAD_TIMEOUT | 5m | 模型加载卡住多久后放弃 |
举个例子：如果你的 Mac 内存只有 16GB，想让模型常驻并且启用 flash attention，可以这样启动：
export OLLAMA_KEEP_ALIVE=-1
export OLLAMA_FLASH_ATTENTION=1
ollama serve
ollama create
从 Modelfile 构建一个模型。最基本用法：
ollama create mymodel -f ./Modelfile
参数：
| Flag | 说明 |
|---|---|
-f, --file | 指定 Modelfile 路径（默认 ./Modelfile） |
-q, --quantize | 量化级别，比如 q4_K_M, q5_K_M, q8_0 |
--experimental | 实验性 safetensors 模型创建 |
量化参数参考：q4_K_M 是平衡质量和大小比较常用的选择。q8_0 质量更高但体积更大。
如果一个模型是 FP16 格式的 safetensors 文件，可以用 --experimental 标志直接导入 Ollama 内部格式，不用先转 GGUF。
ollama show
查看模型的详细信息，不加任何 flag 会输出基本信息（架构、参数量、量化、context length 等）。
专用 flags：
| Flag | 输出内容 |
|---|---|
--license | 模型的许可证文本 |
--modelfile | 生成该模型的 Modelfile 内容（可用于再创建） |
--parameters | 模型参数配置（temperature, top_p 等） |
--template | 模型的 chat template |
--system | 模型的系统提示词 |
-v, --verbose | 更详细的输出（包括 digest 大小等） |
常用场景：想知道某个模型默认的上下文长度是多少，ollama show llama3.2 --parameters | grep num_ctx。或者想把别人做的模型改一改，ollama show gemma3 --modelfile > mymodelfile，再编辑后用 create 构建。
ollama run
最常用的命令，但它的参数多到让我有点意外。
基本格式：
ollama run MODEL [PROMPT] [flags]
没有 PROMPT 时进入交互模式；提供 PROMPT 则单次生成后退出。
主要 flags：
| Flag | 说明 |
|---|---|
--format string | 强制输出格式，比如 json |
--keepalive string | 模型在内存中保持的时长（覆盖服务端默认值），如 10m, 1h |
--verbose | 显示时间统计 |
--nowordwrap | 不自动换行 |
--insecure | 允许不安全的 registry（非 https） |
--think string[="true"] | 启用思考模式：true/false 或 high/medium/low（支持 thinking 的模型） |
--hidethinking | 隐藏思考过程的输出（只显示最终答案） |
--experimental | 启用实验性 agent 循环 + 工具调用 |
--experimental-websearch | 启用 web search 工具（需云服务） |
--experimental-yolo | 跳过所有工具使用的确认提示（危险，自动执行） |
--dimensions int | 仅 embedding 模型：截断输出向量到指定维度 |
--truncate | embedding 模型：超过上下文长度时截断（默认 true）；设为 false 则报错 |
图像生成（实验性）：如果模型支持文生图（如某些 Flux 变体），可以用：
--width int --height int --steps int --seed int --negative string
不过这一块还没怎么普及，先记一笔。
几个实用例子：
# 强制 JSON 输出，并保持模型常驻内存 30 分钟
ollama run gemma3 "List 3 colors" --format json --keepalive 30m
# 启用 low 程度的思考（节省计算）
ollama run deepseek-r1 --think low "What is 17*24"
# 隐藏思考过程，只看答案
ollama run deepseek-r1 --hidethinking "Explain recursion"
# 单次生成并显示详细时间信息
ollama run llama3.2 "Hello" --verbose
ollama stop
停止一个正在运行的模型（从内存中卸载）。如果模型没有在 ollama ps 列表里，stop 会报错。
ollama stop llama3.2
注意：ollama stop 和 ollama rm 完全不同。stop 只是释放内存，模型文件还在硬盘上。下次 run 会重新加载（可能慢一点）。
ollama pull / push
pull：从 registry（默认 ollama.com 或私有仓库）下载模型。
ollama pull llama3.2:latest --insecure
--insecure 用于连接到未启用 TLS 的私有 registry（比如本地运行的某些镜像）。
push：将本地模型上传到 registry。需要先登录（ollama signin），并且目标仓库名要包含 registry 地址。
ollama push myregistry.com/namespace/mymodel:latest
ollama signin / signout
登录到 ollama.com，用于使用云端模型或付费功能。执行后会打开浏览器进行 OAuth 认证（或输入 API Key）。signout 清除本地凭证。
ollama list / ps
ollama list（别名ls）：显示已下载到本地的所有模型（大小、修改时间）。ollama ps：列出当前加载在内存里的模型（正在运行的），以及每个模型使用的处理器分布（GPU/CPU 占比）。
ollama cp / rm
cp 复制模型：ollama cp gemma3 gemma3-backup，只是个标签复制，不占用额外磁盘空间（基于 digest 共享）。适合在做实验前备份一个 Modelfile 状态。
rm 删除模型：ollama rm gemma3 gemma3-backup，可一次删多个。
ollama launch
版本较新的 Ollama 加入了 launch 命令，用来快捷启动各种集成工具。不需要手动配置环境变量或安装 integration，Ollama 会代理拉起。
用法：
# 不带参数：启动交互菜单（同直接输入 ollama）
ollama launch
# 启动 Claude Code
ollama launch claude
# 使用指定模型启动 Claude Code
ollama launch claude --model gemma3:4b
# 配置但不启动（生成配置后退出）
ollama launch droid --config
# 向集成工具传递额外参数（用 -- 分隔）
ollama launch codex -- --sandbox workspace-write
支持的工具列表（持续增加）：
- claude（Claude Code）
- cline（Cline）
- codex（Codex）
- copilot / copilot-cli（Copilot CLI）
- droid（Droid）
- hermes（Hermes Agent）
- kimi（Kimi Code CLI）
- opencode（OpenCode）
- openclaw / clawdbot / moltbot（OpenClaw）
- pi（Pi）
- vscode / code（VS Code）
使用 ollama launch 相当于一键把本地模型接到各种 AI 编程工具里，不用手动改配置。
给 macOS / Linux / Windows 的小提示
这些命令跨平台表现一致，环境变量配置方式不同，但变量名相同。另外 Windows 下 ollama run 里按 Ctrl+D 不一定能退出，建议用 /bye。
这篇比较枯燥，全是命令行的排列组合，但整理完以后还是有点收获。尤其是 ollama serve 的那些环境变量，之前根本没注意到 KV cache 还可以调成 q8 来省显存。ollama launch 也是个有意思的功能，可以省很多配置时间。有需要的时候回来翻这篇就行。
