Ollama

这是一篇关于Ollama工具调用的详细教程。它的核心机制是让模型通过分析用户问题，去调用外部函数来获取信息，而不是凭空捏造答案。

之前写 Ollama 整体介绍 的时候，提了一嘴 tool calling，但没展开。最近在实际项目里用了几次，发现这个功能比想象中实用，单独写一篇笔记记下来。

在 Ollama命令速查指南 这篇文章中把 Ollama 的命令过了一遍，中间提到了 ollama launch 这个功能，但只是带了一句。最近抽空把几个主流 Ollama integration 都试了一下，单独写一篇笔记，主要记录 Codex、Claude Code、Hermes Agent、OpenClaw、VS Code 这几个工具怎么和 Ollama 搭在一起用。

关于 ollama launch，Ollama v0.15+ 引入了这个新命令，可以用本地或云端模型，自动完成 Claude Code、OpenCode、Codex 等常用编码工具的配置与启动，不需要手动改环境变量或写配置文件。它的核心价值在于「一条命令，帮你装好、配好、启动好」，后面介绍每个工具的时候基本都会用到它。

想用Ollama本地模型联动Codex、VS Code等工具，却不懂配置？本文详解5款主流Ollama生态集成工具的实操步骤，借助ollama launch命令一键搞定配置，搭配 Ollama 使用教程 ，新手也能轻松实现本地模型与工具无缝衔接。

文章里用到的模型统一用 qwen3.5:9b（换成其他模型也可以，道理一样），本地跑需要大约 5-10GB 内存。

调用Ollama HTTP API时，你是否分不清generate与chat的用法？不知道各端点参数怎么配置？本文整理Ollama官方所有API，逐一端点拆解用法、参数及实操示例，理清两大核心端点区别，搭配 Ollama 使用教程 ，新手也能轻松搞定API调用。

想在个人电脑、普通显卡上流畅部署Ollama大模型？核心就在于「量化」！作为Ollama本地部署的关键优化技术，量化能给AI模型“瘦身”，大幅降低显存占用、提升推理速度，无需专业硬件，普通人也能轻松玩转大模型，本文详细拆解量化原理、实操方法及量化级别选择，新手也能快速上手。

在 Ollama 中通过 Modelfile 自定义量化模型，可以让你在 Ollama 上运行任何 GGUF 格式的模型，并精确控制量化精度、推理参数和行为模板。本文将手把手教你掌握这一核心技能。

随着 AI 技术的爆发，越来越多人希望在自己的电脑上运行大模型，而不是依赖云端 API。本地部署不仅能保护数据隐私，还能免费使用、无限调用。那么，本地部署大模型有什么用？需要什么显卡？有哪些好用的工具？本文将从零开始，为你全面梳理本地部署大模型推荐、配置要求、知识库搭建、实战教程以及最新趋势。无论你是开发者还是普通用户，都能找到适合自己的方案。

对于想本地部署 AI 大模型却不知道自己的电脑能不能跑？尤其手持 Intel Mac 的开发者，总被“高配置门槛”劝退？本文也将从内存、显存核心逻辑入手，拆解个人学习、业务部署的全配置阶梯，搭配 Ollama 工具与量化技巧，让不同设备都能流畅运行大模型。

在 Ollama 使用教程：本地大模型部署工具完全指南 中提到过 Embeddings，但写得比较简略。这篇文章单独展开说一下，因为我发现很多人在做 RAG（检索增强生成）时卡住的点其实并不在模型本身，而是对 Embeddings 的理解不够透，导致后面检索出来的东西质量很差。本文从Ollama Embeddings嵌入向量基础概念入手，详解其用法、场景及实操步骤，破解常见踩坑点，搭配 Ollama 命令速查手册 ，新手也能轻松上手。

想本地部署大模型，却被复杂配置、命令操作劝退？这篇Ollama全实操指南，从基础定义、多系统安装，到模型运行、量化自定义，手把手教你上手，新手也能快速实现本地大模型自由。

第一次听说 Ollama 是2025年，那时候其实没太在意，觉得大概又是某种跑模型用的轮子。但实际用了一段时间之后发现，这玩意儿确实值得写一篇笔记。