Python + Ollama 本地部署大模型构建私有 AI 助手

3.4 安装 Python 依赖

pip install ollama

四、快速上手：5 行代码跑起来

4.1 最简对话

import ollama

# 发送一条消息，获取回复
response = ollama.chat(
    model="qwen3:8b",
    messages=[{"role":"user","content":"用 Python 写一个快速排序算法"}]
)
print(response["message"]["content"])

4.2 流式输出（打字机效果）

import ollama

# stream=True 开启流式输出，体验更丝滑
stream = ollama.chat(
    model="qwen3:8b",
    messages=[{"role":"user","content":"解释一下 Python 的装饰器"}],
    stream=True
)
for chunk in stream:
    print(chunk["message"]["content"], end="", flush=True)

4.3 多轮对话（保持上下文）

import ollama

# 维护对话历史
messages = []

def chat(user_input: str) -> str:
    messages.append({"role": "user", "content": user_input})
    response = ollama.chat(model="qwen3:8b", messages=messages)
    assistant_msg = response["message"]["content"]
    messages.append({"role": "assistant", "content": assistant_msg})
    return assistant_msg

# 多轮对话
print(chat("你好，我正在学 Python"))
print("---")
print(chat("刚才我说我在学什么来着？"))
# 它能记住上下文

五、实战项目：打造命令行 AI 助手

下面是一个功能完整的本地 AI 助手，支持多轮对话、Markdown 渲染、历史记录。

5.1 项目结构

local-ai-assistant/
├── assistant.py # 主程序
├── config.py # 配置文件
└── chat_history.json # 对话历史（自动生成）

5.2 配置文件 config.py

# config.py
MODEL_NAME = "qwen3:8b"  # 使用的模型
SYSTEM_PROMPT = """
你是一个专业的 AI 编程助手。
你擅长 Python、数据分析、自动化办公。
回答要简洁实用，代码要可以直接运行。
"""
MAX_HISTORY = 20  # 最多保留的对话轮数

5.3 主程序 assistant.py

# assistant.py
import json
import ollama
from datetime import datetime
from config import MODEL_NAME, SYSTEM_PROMPT, MAX_HISTORY

def load_history(filepath="chat_history.json"):
    """加载对话历史"""
    try:
        with open(filepath, "r", encoding="utf-8") as f:
            return json.load(f)
    except FileNotFoundError:
        return []

def save_history(messages, filepath="chat_history.json"):
    """保存对话历史"""
    with open(filepath, "w", encoding="utf-8") as f:
        json.dump(messages, f, ensure_ascii=False, indent=2)

def chat_stream(user_input: str, messages: list) -> str:
    """流式对话"""
    messages.append({"role": "user", "content": user_input})
    print(f"\n\033[92m🤖 AI:\033[0m ", end="", flush=True)
    full_response = ""
    stream = ollama.chat(model=MODEL_NAME, messages=messages, stream=True)
    for chunk in stream:
        content = chunk["message"]["content"]
        print(content, end="", flush=True)
        full_response += content
    print("\n")
    messages.append({"role": "assistant", "content": full_response})
    # 限制历史长度
    if len(messages) > MAX_HISTORY * 2 + 1:
        messages = [messages[0]] + messages[-(MAX_HISTORY * 2):]
    return full_response

def main():
    print("="*50)
    print(f" 本地 AI 助手 | 模型：{MODEL_NAME}")
    print(" 输入 /clear 清空历史 | /quit 退出")
    print("="*50)
    # 初始化对话
    messages = load_history()
    if not messages:
        messages = [{"role": "system", "content": SYSTEM_PROMPT}]
    while True:
        user_input = input("\n\033[94m👤 你:\033[0m ").strip()
        if not user_input:
            continue
        if user_input == "/quit":
            save_history(messages)
            print("👋 再见！对话已保存。")
            break
        if user_input == "/clear":
            messages = [{"role": "system", "content": SYSTEM_PROMPT}]
            save_history(messages)
            print("🗑️ 对话历史已清空。")
            continue
        chat_stream(user_input, messages)
        save_history(messages)

if __name__ == "__main__":
    main()

5.4 运行效果

python assistant.py

==================================================
本地 AI 助手 | 模型：qwen3:8b
输入 /clear 清空历史 | /quit 退出
==================================================
👤 你：帮我写一个 Python 脚本，监控某个文件夹的变化
🤖 AI：好的，使用 `watchdog` 库可以轻松实现文件夹监控...
（此处输出完整代码）

六、进阶玩法

6.1 让 AI 调用本地函数（Function Calling）

import ollama
import json

# 定义工具函数
def get_weather(city: str) -> str:
    """模拟获取天气（可替换为真实 API）"""
    weather_data = {"北京": "晴天 22°C", "上海": "多云 18°C", "深圳": "大雨 28°C"}
    return weather_data.get(city, "未查询到该城市天气")

def calculate(expression: str) -> str:
    """安全计算数学表达式"""
    try:
        allowed = set("0123456789+-*/.() ")
        if all(c in allowed for c in expression):
            return str(eval(expression))
        return "不安全的表达式"
    except Exception as e:
        return f"计算错误：{e}"

# 注册工具
tools = [
    {"type": "function", "function": {
        "name": "get_weather",
        "description": "获取指定城市的天气信息",
        "parameters": {
            "type": "object",
            "properties": {
                "city": {"type": "string", "description": "城市名称"}
            },
            "required": ["city"]
        }
    }},
    {"type": "function", "function": {
        "name": "calculate",
        "description": "计算数学表达式",
        "parameters": {
            "type": "object",
            "properties": {
                "expression": {"type": "string", "description": "数学表达式"}
            },
            "required": ["expression"]
        }
    }}
]

# 工具映射
tool_map = {"get_weather": get_weather, "calculate": calculate}

# 对话
messages = [{"role": "user", "content": "北京天气怎么样？顺便帮我算一下 25*36+128"}]
response = ollama.chat(model="qwen3:8b", messages=messages, tools=tools)

# 处理工具调用
if response["message"].get("tool_calls"):
    for tool_call in response["message"]["tool_calls"]:
        func_name = tool_call["function"]["name"]
        func_args = tool_call["function"]["arguments"]
        print(f"🔧 调用工具：{func_name}({func_args})")
        result = tool_map[func_name](**func_args)
        print(f" 结果：{result}")

6.2 兼容 OpenAI SDK

# 如果你已有使用 OpenAI SDK 的代码，只需改一行
from openai import OpenAI
client = OpenAI(
    base_url="http://localhost:11434/v1",  # 指向 Ollama
    api_key="ollama"  # 随意填，不影响
)
response = client.chat.completions.create(
    model="qwen3:8b",
    messages=[{"role": "user", "content": "Hello, who are you?"}]
)
print(response.choices[0].message.content)

这意味着：所有基于 OpenAI API 的应用（LangChain、Dify、Cursor 等）都可以无缝切换到本地模型！

七、模型选择指南

模型推荐表

八、常见问题

Q：没有显卡能跑吗？
A：能。Ollama 支持 CPU 推理，8B 模型在 16GB 内存的机器上完全可以跑，速度约 5-10 token/s。

Q：中文效果好还是英文效果好？
A：推荐 Qwen3 系列，它的中文能力是目前开源模型里最强的，远超同级别的 Llama。

Q：和 ChatGPT 比差多少？
A：8B 级别的模型大约相当于 GPT-3.5 的水平，日常问答够用，复杂推理和长文本还有差距。如果硬件允许，跑 32B 或 70B 的模型会更接近 GPT-4 级别。

Q：商用免费吗？
A：大部分模型（Qwen、Llama、Gemma）允许商用，但建议查看各模型的具体 License。

总结

Ollama 本地 AI 的核心优势：

• 零成本 —— 不花一分钱 API 费用
• 零风险 —— 数据永远不会离开你的电脑
• 零门槛 —— pip install + ollama pull，5 分钟上手
• 零妥协 —— 兼容 OpenAI API，现有生态无缝切换