ollama-python终极指南：从零构建智能对话应用

【免费下载链接】ollama-python 项目地址: https://gitcode.com/GitHub_Trending/ol/ollama-python

Ollama Python库是Python 3.8+项目与Ollama集成的最简单方式，让开发者能够轻松构建智能对话应用。本文将为你提供一份完整的ollama-python使用指南，从安装到高级功能，助你快速上手。

准备工作：开启ollama-python之旅 🚀

在开始使用ollama-python之前，需要完成两项准备工作：

1. 安装并运行Ollama
2. 拉取一个模型，例如：ollama pull gemma3。你可以在Ollama.com找到更多可用模型。

快速安装：三步搞定ollama-python ⚡

安装ollama-python非常简单，只需在终端中运行以下命令：

pip install ollama

入门示例：构建你的第一个智能对话 🤖

下面是一个简单的示例，展示如何使用ollama-python进行对话：

from ollama import chat
from ollama import ChatResponse

response: ChatResponse = chat(model='gemma3', messages=[
  {
    'role': 'user',
    'content': 'Why is the sky blue?',
  },
])
print(response['message']['content'])
# 或者直接访问响应对象的字段
print(response.message.content)

你可以在ollama/_types.py中查看更多关于响应类型的信息。

高级功能：流式响应与异步操作 ⚡

流式响应

通过设置stream=True，可以启用响应流式传输：

from ollama import chat

stream = chat(
    model='gemma3',
    messages=[{'role': 'user', 'content': 'Why is the sky blue?'}],
    stream=True,
)

for chunk in stream:
  print(chunk['message']['content'], end='', flush=True)

异步客户端

AsyncClient类用于进行异步请求，配置方式与Client类相同：

import asyncio
from ollama import AsyncClient

async def chat():
  message = {'role': 'user', 'content': 'Why is the sky blue?'}
  response = await AsyncClient().chat(model='gemma3', messages=[message])

asyncio.run(chat())

设置stream=True会使函数返回一个Python异步生成器：

import asyncio
from ollama import AsyncClient

async def chat():
  message = {'role': 'user', 'content': 'Why is the sky blue?'}
  async for part in await AsyncClient().chat(model='gemma3', messages=[message], stream=True):
    print(part['message']['content'], end='', flush=True)

asyncio.run(chat())

云端模型：释放更大算力 ☁️

通过offloading到Ollama的云端，可以运行更大的模型，同时保持本地工作流。

支持的模型

目前支持的云端模型包括：deepseek-v3.1:671b-cloud、gpt-oss:20b-cloud、gpt-oss:120b-cloud、kimi-k2:1t-cloud、qwen3-coder:480b-cloud、kimi-k2-thinking。更多信息请查看Ollama Models - Cloud。

通过本地Ollama运行云端模型

1. 登录（一次性操作）：

ollama signin

2. 拉取云端模型：

ollama pull gpt-oss:120b-cloud

3. 发送请求：

from ollama import Client

client = Client()

messages = [
  {
    'role': 'user',
    'content': 'Why is the sky blue?',
  },
]

for part in client.chat('gpt-oss:120b-cloud', messages=messages, stream=True):
  print(part.message.content, end='', flush=True)

自定义客户端：灵活配置你的请求 🔧

可以通过实例化Client或AsyncClient来创建自定义客户端。所有额外的关键字参数都会传递给httpx.Client。

from ollama import Client
client = Client(
  host='http://localhost:11434',
  headers={'x-some-header': 'some-value'}
)
response = client.chat(model='gemma3', messages=[
  {
    'role': 'user',
    'content': 'Why is the sky blue?',
  },
])

完整API：探索更多可能性 📚

Ollama Python库的API围绕Ollama REST API设计，提供了丰富的功能：

对话

ollama.chat(model='gemma3', messages=[{'role': 'user', 'content': 'Why is the sky blue?'}])

生成

ollama.generate(model='gemma3', prompt='Why is the sky blue?')

列出模型

ollama.list()

显示模型信息

ollama.show('gemma3')

创建模型

ollama.create(model='example', from_='gemma3', system="You are Mario from Super Mario Bros.")

复制模型

ollama.copy('gemma3', 'user/gemma3')

删除模型

ollama.delete('gemma3')

拉取模型

ollama.pull('gemma3')

推送模型

ollama.push('user/gemma3')

嵌入

ollama.embed(model='gemma3', input='The sky is blue because of rayleigh scattering')

批量嵌入

ollama.embed(model='gemma3', input=['The sky is blue because of rayleigh scattering', 'Grass is green because of chlorophyll'])

进程状态

ollama.ps()

错误处理：优雅应对异常情况 🛡️

如果请求返回错误状态或在流式传输时检测到错误，将引发错误。你可以使用以下方式捕获和处理这些错误：

model = 'does-not-yet-exist'

try:
  ollama.chat(model)
except ollama.ResponseError as e:
  print('Error:', e.error)
  if e.status_code == 404:
    ollama.pull(model)

开始你的ollama-python之旅 🌟

现在你已经了解了ollama-python的基本使用方法和高级功能，是时候开始构建你自己的智能对话应用了。无论你是想创建聊天机器人、智能助手，还是其他AI驱动的应用，ollama-python都能为你提供强大的支持。

要开始使用，只需克隆仓库：

git clone https://gitcode.com/GitHub_Trending/ol/ollama-python

然后按照本文的指南，一步步探索ollama-python的无限可能！

【免费下载链接】ollama-python 项目地址: https://gitcode.com/GitHub_Trending/ol/ollama-python