Datawhale Ollama教程笔记5

它的前身是 GGML(GPT-Generated Model Language)，是专门为了机器学习而设计的 Tensor 库，目的是为了有一个单文件的格式，并且易在不同架构的 CPU 以及 GPU 上可以推理，但后续由于开发遇到了灵活性不足、相容性及难以维护的问题。当然，你也可以将 safetensors 文件转换为 gguf 文件，再进行处理，转换过程可以参考第三部分。由于这部分内容社区还在不断优化中，因此，这里提供的示例代码和流程仅供参考，并不保证能成功运行。这里一定记得改后缀，去掉.txt后缀。

REST API 是一种网络应用程序之间的通信方式，它使用 HTTP 协议来发送请求和接收响应。你可以把它想象成一个餐厅的菜单，你（客户端）通过菜单（API文档）告诉服务员（服务器）你想要什么菜（数据或服务），服务员会把菜（响应）给你。

比喻：Ollama 就像是一个“魔法箱子”，里面装满了各种大型语言模型（LLM）。你不需要懂复杂的魔法咒语（配置），只需要轻轻一按（一条命令），就能让这些模型在本地跑起来。无论是用你的电脑、笔记本，还是服务器，Ollama 都能让这些“魔法模型”为你服务。核心功能：它让普通人也能轻松玩转大模型，就像给每个人发了一把“魔法钥匙”，打开了 AI 的大门。ollama -h运行该代码验证是否成功成功后会出现如下内容：然后就可以下载模型使用啦~

本文档是https://datawhalechina.github.io/handy-ollama/#/的学习笔记，教程很全面，推荐大家去看。

是由AI社区开发的轻量级本地推理平台，专注于简化大模型本地部署和运行，特别适合个人开发者和研究者。1、核心技术特点：Ollama基于Go语言实现，通过模块化封装将模型权重、依赖库和运行环境整合为统一容器。这种设计使得用户无需关注底层依赖，仅需一条命令行即可启动模型服务。：Ollama封装了llama.cpp，一个高性能的CPU/GPU大语言模型推理框架，支持1.5位、2位、3位、4位、5位、6位和8位整数量化。

本地运行大型语言模型的强大工具Ollama是一个开源框架，旨在为本地运行大型语言模型（LLM）提供简便易用的解决方案。是一个开源的、轻量级的本地大模型运行框架，旨在帮助用户轻松地在本地运行和管理各种大型语言模型（LLM）。它提供了一套简单易用的API，用于创建、运行和监控模型，并支持多种流行的LLM，包括GPT-3、Jurassic-1 Jumbo、Megatron-Turing NLG、WuDao 2.0和Bloom等。➡️主要特点简化部署。

访问官网直接完成下载环境变量配置运行 Ollama验证安装成功。

跟着小妖，让你们赢在起跑线上！好用的功能太多太多，有兴趣的可以自行尝试。有提供免费的授权码可体验～有提供免费的授权码可体验～有提供免费的授权码可体验～私信小妖，获取体验码~国内可直接使用~

SpringMVC。

2025年8月14日小结：（17号整理14号的笔记，这辈子真是有了w(ﾟДﾟ)w）昨天摔了跤大的，今天好妈妈在家，松弛。省流：6道中等，明天只学了10分钟嘻嘻。

本文详细介绍了在Linux服务器上搭建SVN版本控制系统的完整步骤，包括安装SVN、创建版本库、配置账号密码权限、设置authz文件、开放端口以及实现系统自启动SVN服务。重点讲解了单版本库多文件夹与多版本库两种管理方式的区别，并提供了客户端拉取代码的实用指导。文章还特别强调了SVN版本号的更新机制和权限管理的实时生效特性，为团队协作开发提供了可靠的技术支持。通过本文的指引，读者可以快速搭建并管理企业级SVN代码仓库。

这次实验最大的收获是：与其在规则里“猜”爬虫长什么样，不如把判断逻辑外置到一个能持续学习的边缘节点。群联的清洗中心提供了实时封禁 API，让我们可以把模型结果直接落地，而不用改一行业务代码——这比传统“先打日志、再人工加黑名单”的节奏快了整整一个量级。

throws --- 自定义异常 --- 异常练习题

Flume是的一个分布式、高可用、高可靠的海量日志采集、聚合和传输的系统，支持在日志系统中定制各类数据发送方，用于收集数据，同时提供了对数据进行简单处理并写到各种数据接收方的能力。Flume的设计原理是基于数据流的，能够将不同数据源的海量日志数据进行高效收集、聚合、移动，最后存储到一个中心化数据存储系统中。Flume能够做到近似实时的推送，并且可以满足数据量是持续且量级很大的情况。比如它可以收集社交网站日志，并将这些数量庞大的日志数据从网站服务器上汇集起来，存储到HDFS或 HBase分布式数据库中。

1. 核心作用(1) 组织渲染流程将复杂的渲染分解为多个子流程（Subpasses），每个子流程可以依赖前一个子流程的结果（如延迟渲染中的 G-Buffer 传递）。明确附件（Attachments）（如颜色、深度、模板缓冲区）的生命周期和用途。(2) 优化内存带宽通过指定附件的加载操作（Load Op）和存储操作（Store Op），避免不必要的内存读写：****：保留附件原有内容（如叠加 UI）。****：清空附件（如每帧清空深度缓冲区）。****：保存渲染结果（如最终颜色输出到屏幕）。

本文介绍了如何在Python中集成Ollama模型到LangChain框架。主要内容包括：1）环境设置，包括Conda环境配置和依赖安装；2）基本使用示例，如对话模板、流式输出、工具调用和多模态处理；3）进阶用法，包括多轮对话管理、自定义提示模板设计和RAG问答系统实现。通过详细的代码示例，展示了如何利用LangChain的管道操作符"|"构建处理流程，实现模型调用、上下文管理和检索增强等功能。这些技术可应用于构建智能对话系统、信息检索工具等AI应用场景。