这次我们来看一个能让本地运行大模型变得像安装普通软件一样简单的工具——Ollama。如果你对AI大模型感兴趣，但又觉得动辄几十GB的模型、复杂的Python环境和CUDA配置让人望而却步，那Ollama就是为你准备的。它本质上是一个开源的、跨平台的框架，让你能用一条命令就在本地拉起一个大型语言模型（LLM）服务，无论是聊天、编程还是文档分析，都能轻松上手。

Ollama最核心的特点就是“开箱即用”。它帮你解决了模型下载、环境配置、服务启动等一系列繁琐步骤。你不需要是深度学习专家，甚至不需要懂Python，只要你的电脑能联网，就能快速体验Llama、Mistral、Gemma等主流开源模型。对于开发者来说，它提供了简洁的REST API，可以很方便地集成到自己的应用中，快速构建AI功能。

本文将带你从零开始，完成Ollama的下载、安装、部署到使用的全流程。我们会重点关注几个关键问题：它到底对硬件有什么要求？在Windows、macOS、Linux上安装有什么区别？如何解决国内下载慢的问题？如何通过命令行和API两种方式与模型交互？以及，如何管理你本地的多个模型？无论你是想快速体验AI，还是计划将其用于应用开发，这篇文章都能提供清晰的指引。

1. 核心能力速览

在深入细节之前，我们先通过一个表格快速了解Ollama的核心特性，让你判断它是否适合你的需求。

能力项 说明
项目类型 本地大模型运行与管理框架
核心功能 一键下载、运行、管理开源大语言模型（LLM）
硬件门槛 极低 。支持CPU推理，GPU（含Apple Silicon）可加速。内存建议8GB以上，显存非必须。
支持平台 全平台 ：Windows (预览版)、macOS (Intel/Apple Silicon)、Linux (x86-64/Arm64)
启动方式 命令行一键启动 ( ollama run <模型名> )，后台常驻服务
接口能力 提供 RESTful API (默认端口11434) 和 OpenAI兼容的API ，便于集成
模型管理 支持拉取 ( pull )、列出 ( list )、删除 ( rm ) 多个模型，切换方便
是否开源 是 (GitHub: ollama/ollama)
适合场景 1. 个人学习与体验 ：快速在本地与AI对话。
2. 应用开发测试 ：为应用提供本地AI后端，成本低、隐私好。
3. 原型验证 ：快速验证不同模型在特定任务上的效果。

从表格可以看出，Ollama最大的优势在于 降低使用门槛 和 简化部署流程 。它把复杂的模型部署变成了类似Docker的管理体验。

2. 适用场景与使用边界

适合谁用？

  • AI初学者/爱好者 ：想绕过复杂配置，直接体验大模型对话和能力的用户。
  • 全栈/后端开发者 ：需要在应用中集成AI功能（如智能客服、内容生成、代码辅助），但希望从本地、可控、低成本的方案开始的开发者。
  • 研究人员/学生 ：需要快速在本地测试不同开源模型性能，进行对比实验。
  • 对数据隐私敏感的用户 ：希望对话和数据处理完全在本地进行，不经过第三方服务器。

能解决什么问题？

  1. 环境配置地狱 ：自动处理模型所需的运行时环境（如GGUF格式所需的依赖）。
  2. 模型管理混乱 ：统一管理多个模型版本，像 docker images 一样查看和删除。
  3. 服务化部署困难 ：一键将模型以API服务的形式启动，方便其他程序调用。
  4. 跨平台体验一致 ：在Windows、Mac、Linux上使用相同的命令和体验。

不适合什么场景？

  • 追求极致性能 ：Ollama旨在易用性，对于需要极低延迟、超高吞吐量的生产级服务，可能需要更底层的优化框架（如vLLM, TensorRT-LLM）。
  • 需要微调模型 ：Ollama主要用于推理（运行模型），而非训练或微调。你需要其他工具（如PEFT, Axolotl）来训练模型，然后再导入。
  • 使用非主流或自定义模型 ：虽然支持导入自定义GGUF模型，但主要生态围绕其官方支持的模型库。对于非常小众的模型，可能需要手动转换和配置。

合规与边界提醒

  • 模型版权 ：Ollama拉取的模型均来自开源社区（如Meta的Llama、Mistral AI的Mistral）。请遵守对应模型的许可证（如Llama系列有商业使用限制）。
  • 内容安全 ：本地运行虽然隐私性好，但生成的内容仍需符合法律法规。模型本身可能存在偏见或生成不当内容，使用时需保持判断。
  • 资源占用 ：大模型会消耗大量内存和CPU/GPU资源。在个人电脑上运行可能影响其他应用，建议根据硬件条件选择合适的模型尺寸（如7B, 13B参数）。

3. 环境准备与前置条件

在安装Ollama之前，请确保你的系统满足以下基本条件。整个过程不需要提前安装Python、PyTorch或CUDA，Ollama会自行处理。

3.1 操作系统与硬件检查

  • Windows : Windows 10 或更高版本（64位）。需要开启WSL 2（Windows Subsystem for Linux）。这是目前Windows官方支持的运行方式。
  • macOS : macOS 11 (Big Sur) 或更高版本。同时支持Intel芯片和Apple Silicon (M1/M2/M3) 芯片。
  • Linux : 大多数主流发行版（Ubuntu, Fedora, Arch等）都支持。需要是x86-64或Arm64架构。
  • 内存 : 最低8GB ，推荐16GB或以上。运行7B参数模型约需4-8GB内存，13B模型需要更多。
  • 存储空间 : 预留至少 10-20GB 的可用磁盘空间。一个7B的模型文件大约4-5GB，更大的模型可能超过10GB。
  • GPU (可选但推荐) :
    • NVIDIA : 支持CUDA的显卡（如GTX 10系列及以上）可以显著加速。安装最新的NVIDIA驱动即可，Ollama自带CUDA运行时。
    • AMD (Linux) : 通过ROCm支持。
    • Apple Silicon (Mac) : 原生支持GPU加速，无需额外配置。

3.2 网络准备（针对国内用户）

由于Ollama默认从GitHub和其服务器拉取模型，国内直接下载可能非常慢甚至失败。 强烈建议提前配置国内镜像源 ，这是顺利安装的关键。 常见的镜像源有：

  • 阿里云镜像
  • 清华大学镜像
  • 其他国内云服务商提供的镜像 我们将在安装步骤中详细说明如何配置。

4. 安装部署与启动方式

Ollama的安装极其简单，几乎是一键完成。下面我们分平台介绍。

4.1 Windows系统安装（通过WSL2）

这是目前Windows上的标准安装方式。

  1. 启用WSL2 ：以管理员身份打开PowerShell，运行以下命令，然后重启电脑。 
    wsl --install
  2. 下载安装包 ：访问Ollama官网 (https://ollama.com) ，点击“Download for Windows”。
  3. 运行安装程序 ：双击下载的 .exe 文件，按照提示完成安装。安装程序会自动在WSL2的Linux子系统中安装Ollama服务。
  4. 验证安装 ：安装完成后，你可以在Windows开始菜单找到“Ollama”应用并启动，也可以在PowerShell或WSL终端中输入： 
    ollama --version
    如果显示版本号，说明安装成功。

4.2 macOS系统安装

  1. 通过安装包（推荐） ：访问官网，下载 .dmg 文件。打开后，将Ollama图标拖拽到“应用程序”文件夹即可。
  2. 通过Homebrew ：如果你熟悉Homebrew，可以使用命令行安装，更便于管理。 
    brew install ollama
  3. 启动服务 ：安装后，Ollama会自动以服务形式运行。你也可以在“应用程序”中找到并打开它，或使用终端命令 ollama serve 启动。

4.3 Linux系统安装

Linux的安装方式最灵活，这里介绍最通用的脚本安装方式。

  1. 一键安装脚本 ：在终端中执行以下命令。它会自动检测架构并下载安装。 
    curl -fsSL https://ollama.com/install.sh | sh
  2. 使用包管理器 （以Ubuntu/Debian为例）： 
    # 添加Ollama仓库
curl -fsSL https://ollama.com/install.sh | sh
# 实际上，安装脚本已经处理了仓库添加。对于其他发行版，可参考官方文档。
  3. 验证与启动 ：安装后，Ollama服务会自动启动。你可以运行 systemctl status ollama 查看状态，或用 ollama --version 验证。

4.4 配置国内镜像源（加速下载）

这是 至关重要 的一步，能避免模型下载卡在0%。 Ollama通过环境变量 OLLAMA_HOST 和 OLLAMA_MODELS 来配置。最有效的方法是直接修改其服务配置文件。

对于Linux/macOS (或WSL中的Linux):

  1. 编辑Ollama的环境配置文件。文件位置可能因安装方式而异，通常在这里： 
    sudo nano /etc/systemd/system/ollama.service.d/environment.conf
    如果文件不存在，则创建它。
  2. 在文件中添加以下内容（以阿里云镜像为例，镜像地址请以最新可用为准）： 
    [Service]
Environment="OLLAMA_HOST=0.0.0.0"
Environment="OLLAMA_MODELS=https://mirror.aliyun.com/ollama/models"
    注： OLLAMA_HOST=0.0.0.0 允许非本地访问，便于API调用。
  3. 保存文件后，重新加载系统守护进程并重启Ollama服务： 
    sudo systemctl daemon-reload
sudo systemctl restart ollama

对于Windows (通过WSL): 在WSL的Linux子系统中，操作同上。如果你只通过Windows客户端连接，也可以直接在Windows中设置用户环境变量 OLLAMA_MODELS ，但WSL内的服务可能不识别，建议在WSL内配置。

配置完成后，后续使用 ollama pull 命令下载模型速度会快很多。

5. 功能测试与效果验证

安装并配置好镜像后，我们来实际运行一个模型，验证整个流程是否通畅。

5.1 拉取你的第一个模型

Ollama官方维护了一个模型库（https://ollama.com/library），包含众多热门模型。我们从最经典的 llama3.2:1b （一个10亿参数的小模型，适合快速测试）开始。

  1. 打开终端 （Windows用WSL终端或PowerShell，Mac/Linux用系统终端）。
  2. 执行拉取命令 ： 
    ollama pull llama3.2:1b
    你会看到下载进度。如果配置了镜像源，下载速度应该很快。完成后，模型就保存在本地了。

5.2 运行模型并进行对话

拉取完成后，直接运行该模型进入交互式聊天界面。 

ollama run llama3.2:1b

等待片刻，出现 >>> 提示符后，你就可以直接输入问题了。例如： 

>>> 用Python写一个快速排序函数

模型会开始生成代码。你可以继续对话，就像使用ChatGPT一样。输入 /bye 或按 Ctrl+D 退出。

5.3 使用命令行参数进行单次推理

除了交互模式，你也可以直接让模型完成单次任务并退出，这在脚本中非常有用。 

ollama run llama3.2:1b "请将以下英文翻译成中文：'Hello, welcome to the world of local AI.'"

命令会直接输出翻译结果，然后结束。

5.4 模型管理常用命令

掌握以下命令，可以高效管理你本地的模型仓库。

  • 列出所有已下载模型 ： 
    ollama list
  • 查看某个模型的详细信息 ： 
    ollama show llama3.2:1b
  • 复制一个模型 （常用于创建自定义模型的基础）： 
    ollama cp llama3.2:1b my-llama-copy
  • 删除一个模型 （释放磁盘空间）： 
    ollama rm llama3.2:1b

6. 接口API与批量任务

Ollama不仅是一个命令行工具，更是一个本地AI服务。它默认在 http://127.0.0.1:11434 提供了一个REST API，这让我们可以轻松地将其集成到任何应用程序中。

6.1 启动API服务

通常，安装后Ollama服务已经在后台运行。你可以通过以下命令检查或控制： 

# 查看服务状态 (Linux/macOS)
sudo systemctl status ollama

# 启动服务
sudo systemctl start ollama

# 停止服务
sudo systemctl stop ollama

在Windows上，可以通过系统托盘图标或服务管理器来控制。

6.2 基本的生成API调用

最常用的端点是对 /api/generate 发起POST请求。下面用Python和curl两种方式演示。

使用curl命令测试： 

curl http://127.0.0.1:11434/api/generate -d '{
  "model": "llama3.2:1b",
  "prompt": "为什么天空是蓝色的？",
  "stream": false
}'

参数说明：

  • model : 指定要使用的模型名称。
  • prompt : 输入的提示文本。
  • stream : 设为 false 表示一次性返回完整结果；设为 true 则会像打字机一样流式返回。

使用Python代码调用： 

import requests
import json

url = "http://127.0.0.1:11434/api/generate"
payload = {
    "model": "llama3.2:1b",
    "prompt": "用一句话介绍人工智能。",
    "stream": False,
    "options": {
        "temperature": 0.7,  # 控制随机性 (0-1)
        "num_predict": 100   # 最大生成token数
    }
}

response = requests.post(url, json=payload)
if response.status_code == 200:
    result = response.json()
    print(result['response'])
else:
    print(f"请求失败，状态码：{response.status_code}")
    print(response.text)

6.3 流式响应（Streaming）

对于需要长时间生成或希望实现打字机效果的应用，可以使用流式响应。 

import requests

url = "http://127.0.0.1:11434/api/generate"
payload = {
    "model": "llama3.2:1b",
    "prompt": "讲一个关于机器人的短故事。",
    "stream": True
}

with requests.post(url, json=payload, stream=True) as response:
    if response.status_code == 200:
        for line in response.iter_lines():
            if line:
                decoded_line = line.decode('utf-8')
                # 每行是一个JSON对象
                json_data = json.loads(decoded_line)
                # 打印当前生成的片段
                print(json_data.get('response', ''), end='', flush=True)
    else:
        print(f"请求失败: {response.status_code}")

6.4 OpenAI API兼容模式

Ollama还提供了与OpenAI API兼容的端点 ( /v1/chat/completions )，这意味着许多原本为OpenAI设计的客户端库和工具可以直接对接Ollama，只需修改基础URL。 

from openai import OpenAI

# 将客户端指向本地的Ollama服务
client = OpenAI(
    base_url='http://127.0.0.1:11434/v1',
    api_key='ollama', # ollama不需要真实的key，但某些库要求非空
)

response = client.chat.completions.create(
    model="llama3.2:1b",
    messages=[
        {"role": "user", "content": "你好，请自我介绍一下。"}
    ],
    stream=False,
)
print(response.choices[0].message.content)

6.5 实现批量任务处理

虽然Ollama本身没有内置的批量任务队列，但我们可以很容易地利用其API结合脚本实现。

  1. 准备任务列表 ：创建一个文本文件 prompts.txt ，每行一个待处理的提示词。
  2. 编写批量处理脚本 ： 
    import requests
import json
import time

api_url = "http://127.0.0.1:11434/api/generate"
model_name = "llama3.2:1b"

def process_prompt(prompt):
    payload = {
        "model": model_name,
        "prompt": prompt,
        "stream": False,
        "options": {"temperature": 0.1} # 批量任务可降低随机性
    }
    try:
        response = requests.post(api_url, json=payload, timeout=120)
        response.raise_for_status()
        result = response.json()
        return result.get('response', '').strip()
    except Exception as e:
        print(f"处理提示词 '{prompt[:50]}...' 时出错: {e}")
        return None

# 读取提示词文件
with open('prompts.txt', 'r', encoding='utf-8') as f:
    prompts = [line.strip() for line in f if line.strip()]

# 逐个处理并保存结果
results = []
for i, prompt in enumerate(prompts):
    print(f"正在处理 [{i+1}/{len(prompts)}]: {prompt[:60]}...")
    answer = process_prompt(prompt)
    if answer:
        results.append({"prompt": prompt, "response": answer})
    time.sleep(0.5) # 避免请求过于频繁

# 将结果保存为JSON文件
with open('batch_results.json', 'w', encoding='utf-8') as f:
    json.dump(results, f, ensure_ascii=False, indent=2)
print(f"批量处理完成，共处理 {len(results)} 条，结果已保存至 batch_results.json")

这个脚本实现了简单的串行批量处理。对于更复杂的场景，可以考虑使用线程池或消息队列。

7. 资源占用与性能观察

运行大模型时，监控资源使用情况至关重要，它帮助你选择合适的模型并优化使用方式。

7.1 如何观察资源占用？

  • 通用系统监控工具 ：
    • Windows : 任务管理器 -> 性能标签页。
    • macOS : 活动监视器。
    • Linux : htop , top , nvidia-smi (NVIDIA GPU)。
  • Ollama自带命令 ：运行 ollama run 时，启动信息会显示预估的内存需求。
  • 通过API获取信息 ：Ollama提供了 /api/tags 和 /api/ps 端点来查看已加载模型和运行状态。

7.2 CPU vs GPU推理

  • CPU推理 ：这是最通用的方式，无需显卡。速度较慢，但兼容性最好。适合小模型（如1B, 3B）或轻度使用。观察任务管理器中的CPU使用率会接近100%。
  • GPU推理 ：如果有NVIDIA显卡（CUDA）或Apple Silicon芯片，Ollama会自动尝试利用GPU加速。
    • Windows/Linux (NVIDIA) ：运行模型时，观察任务管理器或 nvidia-smi 中的GPU显存占用和利用率。
    • macOS (Apple Silicon) ：模型计算会通过Metal API在统一内存中进行，活动监视器的“GPU历史”和“内存压力”会反映负载。

7.3 影响性能的关键参数

在通过API调用时， options 里的参数会显著影响速度和资源占用：

  • num_predict : 最大生成长度。值越大，生成时间越长，占用资源越久。
  • temperature : 采样温度。值越高（接近1），结果越随机、多样，但可能不符合预期；值越低（接近0），结果越确定、保守，通常更快达到停止条件。
  • top_p , top_k : 采样相关参数，影响生成质量与速度的平衡。
  • num_ctx : 上下文窗口大小。决定了模型能“记住”多长的对话历史。增大此值会显著增加内存/显存占用。

7.4 降低资源占用的技巧

  1. 选择合适尺寸的模型 ：参数越少，资源占用越低。从 1B 、 3B 、 7B 开始尝试。
  2. 量化模型 ：Ollama拉取的很多模型已经是量化过的（如Q4_K_M, Q5_K_S），在精度和大小间取得了平衡。你可以在模型库中寻找带 q4 、 q5 等后缀的版本。
  3. 限制生成长度 ：通过API的 num_predict 参数避免生成过长的无用文本。
  4. 及时卸载模型 ：如果长时间不用某个模型，可以停止Ollama服务，或通过 ollama rm 删除模型文件以释放磁盘空间。运行中的模型会常驻内存。

8. 常见问题与排查方法

在使用Ollama的过程中，你可能会遇到一些问题。下表列出了常见问题及其解决方法。

问题现象 可能原因 排查方式 解决方案
ollama run 无反应或报错 1. Ollama服务未启动。
2. 端口11434被占用。
3. 首次运行需要下载模型但网络失败。 		1. 运行 ollama serve 或检查服务状态。
2. 运行 netstat -ano | findstr :11434 (Win) 或 lsof -i:11434 (Mac/Linux)。
3. 查看终端或日志中的网络错误信息。 		1. 启动服务： sudo systemctl start ollama 或启动桌面应用。
2. 结束占用端口的进程，或修改Ollama服务端口（通过环境变量 OLLAMA_HOST ）。
3. 配置国内镜像源 ，这是最常见的问题。
模型下载速度极慢或卡在0% 网络连接问题，默认源在国内访问不畅。 检查是否已正确配置镜像源环境变量。 严格按照 4.4 配置国内镜像源 步骤操作，并重启Ollama服务。
提示“CUDA not available”或无法使用GPU 1. 未安装NVIDIA驱动。
2. Ollama未检测到CUDA环境。
3. 系统内存不足。 		1. 运行 nvidia-smi 检查驱动。
2. 查看Ollama启动日志。
3. 检查系统空闲内存。 		1. 安装最新的NVIDIA显卡驱动。
2. Ollama内置CUDA，通常无需单独安装。确保使用的是支持GPU的版本。
3. 关闭不必要的程序，或换用更小的模型。
API调用返回404或连接拒绝 1. API服务未运行。
2. 防火墙阻止了端口。
3. 请求的URL或端口错误。 		1. 用浏览器访问 http://127.0.0.1:11434 ，看是否有响应。
2. 检查防火墙设置。
3. 确认代码中的URL和端口。 		1. 确保Ollama服务已启动。
2. 临时关闭防火墙或添加规则放行11434端口。
3. 确保使用 http://127.0.0.1:11434 作为基础URL。
运行模型时内存/显存不足 选择的模型太大，超出硬件能力。 观察任务管理器/活动监视器/ nvidia-smi 的资源使用情况。 1. 换用参数更少的模型（如从13B换到7B或3B）。
2. 尝试量化程度更高的模型变体（如 q4 ）。
3. 增加虚拟内存（Windows）或交换空间（Linux）。
生成的文本质量差、胡言乱语 1. 模型本身能力有限。
2. 提示词（Prompt）不够清晰。
3. 温度 ( temperature ) 参数过高。 		1. 尝试同一个系列中更大的模型。
2. 检查并优化你的提示词。
3. 在API调用中降低 temperature (如设为0.1)。 		1. 升级模型： ollama pull llama3.2:3b 。
2. 学习提示词工程，给出更明确的指令和上下文。
3. 调整API参数： "options": {"temperature": 0.1} 。
如何导入自定义的GGUF模型文件？ 想使用Ollama管理自己下载或转换的模型。 查阅Ollama官方文档关于“Modelfile”的部分。 1. 创建一个 Modelfile ，指定GGUF文件的路径和参数。
2. 使用 ollama create <模型名> -f ./Modelfile 创建自定义模型。
3. 使用 ollama run <模型名> 运行。

9. 最佳实践与使用建议

为了更稳定、高效地使用Ollama，这里有一些从实践中总结的建议。

  1. 从最小的模型开始 ：不要一上来就拉取几十GB的模型。先用 llama3.2:1b 或 gemma2:2b 这样的小模型验证整个流程是否跑通，包括下载、运行、API调用。这能快速排除环境问题。
  2. 善用模型库标签 ：在拉取模型时，使用标签选择最适合的版本。例如：
    • ollama pull llama3.2:3b ： 拉取3B参数的版本，平衡速度与能力。
    • ollama pull mistral:7b-instruct-q4_K_M ： 拉取Mistral 7B模型的4位量化指令微调版，适合对话。
    • ollama pull qwen2.5:7b ： 拉取通义千问7B模型。 通过 ollama list 查看本地模型时，也能看到具体的标签。
  3. 为生产环境做准备 ：如果计划将Ollama用于稍正式的场景：
    • 服务化 ：确保Ollama以系统服务（ systemd ）或后台进程形式稳定运行。
    • 网络安全 ：如果API需要被局域网内其他机器访问，配置 OLLAMA_HOST=0.0.0.0 后，务必考虑设置防火墙规则或使用反向代理（如Nginx）增加安全层。
    • 日志与监控 ：关注Ollama的日志输出（通常在 /var/log/ollama.log 或服务管理界面），并监控系统的资源使用情况。
  4. 管理磁盘空间 ：模型文件很大，定期清理不再使用的模型。使用 ollama list 查看，用 ollama rm <模型名> 删除。
  5. 探索高级功能 ：当你熟悉基础操作后，可以探索：
    • 角色扮演/系统提示词 ：通过Modelfile为模型设定固定的系统指令，创建具有特定性格或能力的模型变体。
    • 函数调用（如果模型支持） ：一些较新的模型（如Llama 3.1）支持OpenAI格式的函数调用，可以开发更复杂的AI应用。
    • 与LangChain/LlamaIndex集成 ：利用这些AI应用框架，将Ollama作为本地LLM，构建检索增强生成（RAG）应用。

Ollama的出现，极大地简化了在个人电脑上探索和利用大语言模型的门槛。它把复杂的部署细节封装起来，让你能更专注于模型本身的能力和应用创意。无论是作为学习AI的沙盒，还是作为应用开发的本地测试后端，它都是一个强大而优雅的工具。建议你现在就打开终端，输入 ollama run llama3.2:1b ，开始你的本地AI之旅。遇到问题时，回头查阅本文的“常见问题”部分，大多都能找到解决方案。

# Ollama
Logo
亚马逊云科技技术品牌专区

更多推荐

open-code-review Codex 插件教程：对话式调用评审技能指南

本文是一份面向新手的 **open-code-review Codex 插件教程**，教你在 Codex 中通过对话式方式调用 open-code-review 的 AI 代码评审技能。open-code-review 是阿里巴巴开源的 AI 代码评审工具，采用"确定性流水线 + LLM Agent"混合架构，内置多语言评审规则（NPE、线程安全、XSS、SQL 注入等），可在 Codex 里用一

avatar 亚马逊云科技技术品牌专区

OBS Studio 完整指南：免费开源录屏与直播软件从零上手

想做一场像模像样的直播，或者把屏幕内容录成教程视频，但一想到商用软件的订阅费就有些犹豫？其实你不需要花一分钱。OBS Studio 是一款免费开源的直播与录屏软件，支持 Windows、macOS 和 Linux，采集、混音、编码、推流、录制，一条流水线全包了。## 先搞清楚 OBS Studio 是什么OBS Studio 是一个"场景化"的采集合成工具：你把摄像头、窗口、浏览器、图片、

avatar 亚马逊云科技技术品牌专区

如何用MediaCrawler爬取小红书抖音数据？7大平台爬虫从安装到实战完整指南

MediaCrawler 是一个支持小红书、抖音、快手、B站、微博、百度贴吧、知乎的开源自媒体数据采集工具。它能按关键词、按帖子、按创作者主页三种方式抓取笔记/视频内容、评论甚至二级评论，并把结果存成 JSON、CSV、Excel 或数据库。适合做市场调研、竞品监控、内容选题的运营人员，以及想要现成爬虫框架而不想从零写 JS 逆向的开发者。## 从一次"手动抄数据"说起想象这个场景：你负责

avatar 亚马逊云科技技术品牌专区