一键运行模型：执行 ollama run <模型名> 即可自动下载并启动模型，支持数百个主流开源模型。
模型库与版本管理：内置模型注册中心，支持按参数规模和量化等级选择，可随时拉取、更新、删除。
跨平台支持：兼容 macOS、Windows、Linux 及 Docker 容器，并对 Apple Silicon、NVIDIA/AMD GPU 深度优化。
类 OpenAI 的 REST API：提供本地 HTTP 服务（默认端口 11434），可无缝对接 LangChain、Open WebUI 等生态工具。
资源优化：支持 INT4/INT8 权重量化、分块加载与 KV 缓存量化，让消费级硬件也能流畅运行大模型。
多 GPU 与并发：支持多 GPU 并行推理与并发请求处理。
自定义模型：可通过 Modelfile 定制推理参数，或导入 GGUF、PyTorch 等格式的私有模型。

第一步，安装：前往 ollama.com 下载对应平台的安装包（macOS/Windows）；Linux 用户可执行 curl -fsSL https://ollama.com/install.sh | sh 完成安装。
第二步，运行模型：在终端执行 ollama run llama3.2，首次运行会自动下载模型并进入交互式对话界面。
第三步，调用与集成：用 ollama list 查看已安装模型、ollama ps 查看加载状态，也可以调用本地 REST API，或搭配 Open WebUI 等可视化界面使用。

极简部署：无需手动配置 CUDA 等依赖，一条命令即可运行模型，大幅降低技术门槛。
隐私安全：完全本地离线运行，数据不出设备，满足医疗、金融等高隐私要求场景。
资源高效：通过权重量化和缓存优化，普通家用电脑也能运行 7B–13B 甚至更大参数的模型。
生态完善：提供标准 REST API，与 LangChain、Open WebUI 等工具链无缝集成，便于开发与二次封装。

与 LM Studio 相比：Ollama 以命令行与后台服务为核心，更适合脚本化、自动化部署与生产环境；LM Studio 是图形化桌面应用，更适合浏览和试玩模型。
与 llama.cpp 相比：Ollama 在其基础上做了大量封装，内置模型管理和 API 服务，开箱即用；llama.cpp 更底层，适合深度定制的技术用户。
总体而言，Ollama 在"简单易用 + 服务化部署"之间取得了良好平衡，已成为本地运行大模型的事实标准。

Q1: Ollama 会将我的数据和对话上传到云端吗？
A1: 不会。Ollama 默认完全本地运行，提示词与回答不会发送到 ollama.com，也不会用于训练。
Q2: 为什么我的模型没有使用 GPU 加速？
A2: 可用 ollama ps 查看模型加载位置，若显示 CPU 则需更新显卡驱动，并确认 Ollama 已识别到 GPU。
Q3: 如何在局域网内共享 Ollama 服务？
A3: 默认仅监听 127.0.0.1:11434，设置环境变量 OLLAMA_HOST=0.0.0.0:11434 并重启服务即可让其他设备访问。
Q4: 模型下载很慢或失败怎么办？
A4: 可通过 HTTPS_PROXY 配置代理加速下载，并确保代理证书已安装为系统证书，也可更换网络或镜像源重试。
Q5: 如何修改模型默认的上下文长度？
A5: 默认上下文为 4096 token，可设置环境变量 OLLAMA_CONTEXT_LENGTH=8192，或在调用 API 时指定 num_ctx 参数调整。