本文是Ollama系列教程的第5篇，在前面的4篇内容中，给大家分享了如何再本地通过Ollama运行DeepSeek等大模型，演示了chatbox、CherryStudio等UI界面中集成Ollama的服务，并介绍了如何通过cherryStudio构建私有知识库。
在今天的分享中，我将分享如何通过API来调用ollama服务，通过整合ollama API，将AI能力集成到你的私有应用中，提升你的职场价值！
Ollama API
Ollama 提供了一套简单好用的接口，让开发者能通过API轻松使用大语言模型。
本篇内容将使用Postman作为请求工具，和开发语言无关。
基本概念
在开始之前，我们先了解几个基本的概念：
- Model：模型，我们调用接口时使用的模型名字。我们可以把Ollama理解为模型商店，它里面运行着很多模型，每个模型都有一个唯一的名字，例如
deepseek-r1:1.5b - Prompt: 提示词，是我们给模型的指令。比如
天空为什么是蓝色的就是一条简单的提示词。 - Token：字符块，是大模型的最小输出单位，同时也是大模型的计费单位。举个例子，对于
天空为什么是蓝色的这句话，大模型会进行拆分天空/为什么/是/蓝色/的，每一段就是一个token（实际情况会比这个例子复杂）
内容生成（/api/generate）
让大模型帮我们生成指定的内容，就可以使用内容生成接口。一问一答，不带上下文。
我们试着用最少的参数来调用：
{ | |
"model": "deepseek-r1:1.5b", | |
"prompt": "天空为什么是蓝色的" | |
} |
在postman里面看看输出：
可以看到输出的内容很长，这是因为默认采用的是stream的方式输出的，也就是我们在deepseek app里面看到的一个字一个字输出的那种效果。我们可以将stream参数设置成false来禁用流式输出。
{ | |
"model": "deepseek-r1:1.5b", | |
"prompt": "天空为什么是蓝色的", | |
"stream": false | |
} |
参数列表
| 参数名 | 是否必填 | 描述 |
|---|---|---|
model | 是 | 模型名称 |
prompt | 是 | 需要生成响应的提示词 |
suffix | 否 | 模型响应后追加的文本 |
images | 否 | Base64编码的图片列表（适用于多模态模型如llava） |
format | 否 | 返回响应的格式（可选值：json 或符合 JSON Schema 的结构） |
options | 否 | 模型额外参数（对应 Modelfile 文档中的配置如 temperature） |
system | 否 | 自定义系统消息（覆盖 Modelfile 中的定义） |
template | 否 | 使用的提示词模板（覆盖 Modelfile 中的定义） |
stream | 否 | 设为 false 时返回单个响应对象而非流式对象 |
raw | 否 | 设为 true 时不格式化提示词（适用于已指定完整模板的情况） |
keep_alive | 否 | 控制模型在内存中的保持时长（默认：5m） |
context | 否 | （已弃用）来自前次 /generate 请求的上下文参数，用于维持短期对话记忆 |
生成对话（/api/chat）
生成对话，是一种具备上下文记忆的内容生成。在内容生成API中，我们仅传入了prompt，大模型仅对我们本地的prompt进行回答，而在生成对话API中，我们还可以传入messages参数，包含我们多轮对话内容，使大模型具备记忆功能。
最简单的调用（为了方便演示，我们将stream参数设置为false）：
{ | |
"model": "deepseek-r1:1.5b", | |
"messages": [ | |
{ | |
"role": "user", | |
"content": "天空通常是什么颜色" | |
} | |
], | |
"stream": false | |
} |
postman调用截图：
多轮对话
聊天的时候，ollama通过messages参数保持上下文记忆。当模型给我们回复内容之后，如果我们要继续追问，则可以使用以下方法（注意：deepseek-r1模型需要在上下文中移除think中的内容）：
{ | |
"model": "deepseek-r1:1.5b", | |
"messages": [ | |
{ | |
"role": "user", | |
"content": "天空通常是什么颜色" | |
}, | |
{ | |
"role": "assistant", | |
"content": "天空通常看起来是**柔和的、明快的或稍微有些昏黄的色调**。具体颜色可能会因不同的天气情况而有所变化，例如：\n\n1. **晴朗天气**：天空可能呈现出温暖、明亮的颜色，比如蓝天、碧空等。\n2. **下雨天**：云层覆盖天空，可能导致颜色较为阴郁或变黑。\n3. **雨后天气**：雨后的天空可能恢复为明亮的色调。\n\n总的来说，天空的颜色主要取决于大气中的光线反射和折射情况，以及太阳的位置。" | |
}, | |
{ | |
"role": "user", | |
"content": "为什么是蓝色的？" | |
} | |
], | |
"stream": false | |
} |
postman调用截图：
结构化数据提取
当我们和系统对接时，通常要需要从用户的自然语言中提到结构化数据，用来调用现有的外部系统的接口。在ollama中我们只需要指定format参数，就可以实现结构化数据的提取：
{ | |
"model": "deepseek-r1:1.5b", | |
"messages": [ | |
{ | |
"role": "user", | |
"content": "哈喽，大家好呀~ 我是拓荒者IT，今年36岁了，是一名软件工程师" | |
} | |
], | |
"format": { | |
"type": "object", | |
"properties": { | |
"name": { | |
"type": "string" | |
}, | |
"age": { | |
"type": "integer" | |
}, | |
"job": { | |
"type": "string" | |
} | |
}, | |
"required": [ | |
"name", | |
"age", | |
"job" | |
] | |
}, | |
"stream": false | |
} |
参数列表
| 参数名 | 是否必填 | 描述 |
|---|---|---|
model | 是 | 模型名称 |
messages | 是 | 聊天消息数组（用于维持对话记忆） |
messages.role | 是 | 消息角色（可选值：system, user, assistant, tool） |
messages.content | 是 | 消息内容 |
messages.images | 否 | 消息中Base64编码的图片列表（适用于多模态模型如llava） |
messages.tool_calls | 否 | 模型希望调用的工具列表（JSON格式） |
tools | 否 | 模型可使用的工具列表（JSON格式，需模型支持） |
format | 否 | 返回响应的格式（可选值：json 或符合 JSON Schema 的结构） |
options | 否 | 模型额外参数（对应 Modelfile 文档中的配置如 temperature） |
stream | 否 | 设为 false 时返回单个响应对象而非流式对象 |
keep_alive | 否 | 控制模型在内存中的保持时长（默认：5m） |
生成嵌入数据（/api/embed）
嵌入数据的作用是将输入内容转换成向量，可以用于向量检索等场景。比如我们在第四篇中介绍的知识库，就需要用到embedding模型。
在调用embed接口时，我们要选择支持Embedding功能的模型，deepseek是不支持的。
调用示例：
{ | |
"model": "bge-m3", | |
"input": "为什么天空是蓝色的呢？" | |
} |
postman调用截图：
兼容openAI接口
因为现在很多应用、类库都是基于OpenAI构建的，为了让这些系统能够使用Ollama提供的模型，Ollama提供了一套兼容OpenAI的接口（官方说是实验性的，以后可能会有重大调整）。
因为这种兼容，使得我们可以直接通过OpenAI的python库、node库来访问ollama的服务，确实方便了不少。
注意：ollama属于第三方接口，不能100%支持OpenAI的接口能力，因此在使用的时候需要先了解清楚兼容的情况。
其它接口
ollama还有一些其它的接口，用来实现对模型的管理等功能，而这些功能我们通常会在命令行完成，因此不做详细说明。这些API的列表如下：
- 模型创建（/api/create）
- 列出本地模型（/api/tags）
- 查看模型信息（/api/show）
- 复制模型（/api/copy）
- 删除模型（/api/delete）
- 拉取模型（/api/pull）
- 推送（上传）模型（/api/push）
- 列出运行中的模型（/api/ps）
- 查看ollama版本（/api/version）
这些接口的调用都非常简单，大家感兴趣的可以尝试以下。
总结
本文介绍了ollama api的用法，详细介绍了生成内容、多轮对话、大模型记忆功能的实现、提取参数化内容等接口。通过使用这些接口，我们可以将AI能力集成到现有的项目中，提升软件的智能化程度。
如何系统的去学习大模型LLM ？
大模型时代，火爆出圈的LLM大模型让程序员们开始重新评估自己的本领。 “AI会取代那些行业？”“谁的饭碗又将不保了？”等问题热议不断。
事实上，抢你饭碗的不是AI，而是会利用AI的人。
继科大讯飞、阿里、华为等巨头公司发布AI产品后，很多中小企业也陆续进场！超高年薪，挖掘AI大模型人才！ 如今大厂老板们，也更倾向于会AI的人，普通程序员，还有应对的机会吗？
与其焦虑……
不如成为「掌握AI工具的技术人」，毕竟AI时代，谁先尝试，谁就能占得先机！
但是LLM相关的内容很多，现在网上的老课程老教材关于LLM又太少。所以现在小白入门就只能靠自学，学习成本和门槛很高。
基于此，我用做产品的心态来打磨这份大模型教程，深挖痛点并持续修改了近70次后，终于把整个AI大模型的学习门槛，降到了最低！
在这个版本当中：
第一您不需要具备任何算法和数学的基础
第二不要求准备高配置的电脑
第三不必懂Python等任何编程语言
您只需要听我讲，跟着我做即可，为了让学习的道路变得更简单，这份大模型教程已经给大家整理并打包，现在将这份 LLM大模型资料 分享出来：包括LLM大模型书籍、640套大模型行业报告、LLM大模型学习视频、LLM大模型学习路线、开源大模型学习教程等, 😝有需要的小伙伴，可以 扫描下方二维码领取🆓↓↓↓
一、LLM大模型经典书籍
AI大模型已经成为了当今科技领域的一大热点，那以下这些大模型书籍就是非常不错的学习资源。
二、640套LLM大模型报告合集
这套包含640份报告的合集，涵盖了大模型的理论研究、技术实现、行业应用等多个方面。无论您是科研人员、工程师，还是对AI大模型感兴趣的爱好者，这套报告合集都将为您提供宝贵的信息和启示。(几乎涵盖所有行业)
三、LLM大模型系列视频教程
四、LLM大模型开源教程（LLaLA/Meta/chatglm/chatgpt）
五、AI产品经理大模型教程
LLM大模型学习路线 ↓
阶段1：AI大模型时代的基础理解
-
目标：了解AI大模型的基本概念、发展历程和核心原理。
-
内容：
- L1.1 人工智能简述与大模型起源
- L1.2 大模型与通用人工智能
- L1.3 GPT模型的发展历程
- L1.4 模型工程
- L1.4.1 知识大模型
- L1.4.2 生产大模型
- L1.4.3 模型工程方法论
- L1.4.4 模型工程实践
- L1.5 GPT应用案例
阶段2：AI大模型API应用开发工程
-
目标：掌握AI大模型API的使用和开发，以及相关的编程技能。
-
内容：
- L2.1 API接口
- L2.1.1 OpenAI API接口
- L2.1.2 Python接口接入
- L2.1.3 BOT工具类框架
- L2.1.4 代码示例
- L2.2 Prompt框架
- L2.3 流水线工程
- L2.4 总结与展望
阶段3：AI大模型应用架构实践
-
目标：深入理解AI大模型的应用架构，并能够进行私有化部署。
-
内容：
- L3.1 Agent模型框架
- L3.2 MetaGPT
- L3.3 ChatGLM
- L3.4 LLAMA
- L3.5 其他大模型介绍
阶段4：AI大模型私有化部署
-
目标：掌握多种AI大模型的私有化部署，包括多模态和特定领域模型。
-
内容：
- L4.1 模型私有化部署概述
- L4.2 模型私有化部署的关键技术
- L4.3 模型私有化部署的实施步骤
- L4.4 模型私有化部署的应用场景
这份 LLM大模型资料 包括LLM大模型书籍、640套大模型行业报告、LLM大模型学习视频、LLM大模型学习路线、开源大模型学习教程等, 😝有需要的小伙伴，可以 扫描下方二维码领取🆓↓↓↓
扫一扫
1万+
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
