Ollama本地大模型运行框架完全指南-代码聚汇网

Ollama本地大模型运行框架完全指南

爬一手好线杆·2026-08-20·阅读 23 GEO检测（免费）

Ollama大语言模型本地部署

|难度：普通|阅读约 45 分钟

1. Ollama 常用命令完全指南

作为一款轻量级的本地大模型运行框架，Ollama 让开发者能够快速在本地部署和运行各类开源大语言模型。在实际使用过程中，掌握其核心命令是提高工作效率的关键。本文将详细介绍 Ollama 的安装配置、模型管理、运行控制等核心操作命令，并分享我在实际使用中的经验技巧。

1.1 Ollama 基础环境准备

安装 Ollama 前需要确保系统满足以下条件：

Windows/macOS/Linux 操作系统
至少 8GB 内存（推荐 16GB+）
支持 CUDA 的 NVIDIA 显卡（如需 GPU 加速）

Windows 安装命令：

bash复制curl -L https://ollama.ai/download/ollama-windows.exe -o ollama.exe
./ollama.exe

macOS 安装命令：

bash复制brew install ollama

Linux 安装命令：

bash复制curl -fsSL https://ollama.ai/install.sh | sh

注意：国内用户可能会遇到下载速度慢的问题，可以通过设置镜像源解决：
bash复制export OLLAMA_HOST=mirrors.aliyun.com/ollama

安装完成后验证版本：

bash复制ollama --version

1.2 模型管理核心命令

1.2.1 模型下载与删除

下载指定模型（以 llama3 为例）：

bash复制ollama pull llama3

删除本地模型：

bash复制ollama rm llama3

查看已安装模型列表：

bash复制ollama list

实操技巧：下载大模型时建议使用 --verbose 参数查看实时进度：
bash复制ollama pull llama3 --verbose

1.2.2 模型运行与交互

启动模型交互会话：

bash复制ollama run llama3

在会话中可以直接输入问题与模型交互，按 Ctrl+D 退出。

非交互式单次问答：

bash复制echo "你好" | ollama run llama3

1.3 高级配置命令

1.3.1 GPU 加速配置

查看可用 GPU：

bash复制ollama gpu

指定 GPU 运行模型：

bash复制OLLAMA_GPU=0 ollama run llama3  # 使用第一块GPU

1.3.2 自定义模型配置

创建自定义模型配置文件 Modelfile：

text复制FROM llama3
PARAMETER temperature 0.7
PARAMETER num_ctx 4096

构建自定义模型：

bash复制ollama create mymodel -f Modelfile

1.4 服务管理命令

启动 Ollama 后台服务：

bash复制ollama serve

停止服务：

bash复制ollama stop

查看服务状态：

bash复制ollama status

1.5 网络与代理配置

设置 HTTP 代理：

bash复制export HTTP_PROXY=http://proxy.example.com:8080
export HTTPS_PROXY=http://proxy.example.com:8080

配置自定义模型仓库：

bash复制export OLLAMA_REPO=mycompany.com/ollama

1.6 常见问题排查

1.6.1 下载速度慢解决方案

使用国内镜像源：

bash复制export OLLAMA_HOST=mirrors.tuna.tsinghua.edu.cn/ollama

1.6.2 内存不足处理

限制模型内存使用：

bash复制ollama run llama3 --memory 4G

1.6.3 GPU 无法识别问题

检查 CUDA 驱动：

bash复制nvidia-smi

更新显卡驱动后重启服务：

bash复制ollama restart

1.7 实用技巧与经验分享

批量操作技巧：

bash复制# 批量更新所有模型
ollama list | awk '{print $1}' | xargs -I {} ollama pull {}

模型导出与迁移：

bash复制# 导出模型
ollama export llama3 llama3.tar
# 导入模型
ollama import llama3.tar

日志查看方法：

bash复制tail -f ~/.ollama/logs/server.log

性能优化建议：

使用 --numa 参数优化多CPU性能
设置 OLLAMA_KEEP_ALIVE 减少冷启动时间
对常驻模型使用 ollama keep 命令保持内存驻留

开发调试技巧：

bash复制# 启用调试模式
OLLAMA_DEBUG=1 ollama run llama3

1.8 安全相关命令

查看模型安全信息：

bash复制ollama inspect llama3 --security

验证模型签名：

bash复制ollama verify llama3

设置运行沙盒：

bash复制ollama run --sandbox llama3

1.9 系统资源监控

查看模型资源占用：

bash复制ollama stats

实时监控：

bash复制watch -n 1 ollama stats

1.10 自动化脚本示例

以下是一个自动更新并运行模型的脚本示例：

bash复制#!/bin/bash

# 更新所有模型
ollama list | awk '{print $1}' | xargs -I {} ollama pull {}

# 启动常用模型
nohup ollama run llama3 > /tmp/llama3.log 2>&1 &
nohup ollama run mistral > /tmp/mistral.log 2>&1 &

# 监控状态
watch -n 60 ollama stats

需要模型API调用？免费领10W Token，多模型网关一键接入 Claude、DeepSeek 等主流模型。

2. 深度使用场景解析

2.1 多模型并行运行

使用不同端口运行多个模型实例：

bash复制ollama run --port 11434 llama3 &
ollama run --port 11435 mistral &

2.2 API 集成开发

启动 API 服务：

bash复制ollama serve --api

调用示例（使用 curl）：

bash复制curl http://localhost:11434/api/generate -d '{
  "model": "llama3",
  "prompt": "你好",
  "stream": false
}'

2.3 模型微调工作流

准备训练数据（train.jsonl）：

json复制{"prompt":"什么是机器学习","response":"机器学习是..."}

创建微调配置：

text复制FROM llama3
TRAIN ./train.jsonl
PARAMETER learning_rate 0.0001

执行微调：

bash复制ollama train -f finetune.Modelfile

2.4 企业级部署方案

2.4.1 高可用配置

使用 supervisor 管理服务：

ini复制[program:ollama]
command=/usr/local/bin/ollama serve --api
autostart=true
autorestart=true
stderr_logfile=/var/log/ollama.err.log
stdout_logfile=/var/log/ollama.out.log

2.4.2 负载均衡设置

Nginx 配置示例：

nginx复制upstream ollama {
    server 127.0.0.1:11434;
    server 127.0.0.1:11435;
}

server {
    listen 80;
    location / {
        proxy_pass http://ollama;
    }
}

3. 性能优化专项

3.1 量化模型使用

下载 4-bit 量化版本：

bash复制ollama pull llama3:4bit

3.2 内存优化技巧

设置交换内存：

bash复制sudo fallocate -l 8G /swapfile
sudo chmod 600 /swapfile
sudo mkswap /swapfile
sudo swapon /swapfile

3.3 GPU 性能调优

启用 TensorCore 加速：

bash复制OLLAMA_CUDA_TENSORCORES=1 ollama run llama3

调整批处理大小：

bash复制OLLAMA_BATCH_SIZE=32 ollama run llama3

4. 版本升级与维护

4.1 Ollama 升级命令

Linux/macOS：

bash复制ollama upgrade

Windows：

bash复制ollama.exe --upgrade

4.2 数据备份策略

备份所有模型：

bash复制ollama list | awk '{print $1}' | xargs -I {} sh -c 'ollama export {} /backup/{}.tar'

恢复模型：

bash复制find /backup -name "*.tar" | xargs -I {} ollama import {}

5. 社区资源与扩展

5.1 第三方插件集成

LangChain 集成示例：

python复制from langchain_community.llms import Ollama

llm = Ollama(model="llama3")
response = llm("你好")

5.2 常用模型推荐

对话模型：llama3、mistral、qwen
代码模型：codellama、starcoder
多模态模型：llava、bakllava

下载命令：

bash复制ollama pull codellama

5.3 学习资源推荐

官方文档：ollama.ai/docs
GitHub 示例库：github.com/ollama/ollama-examples
社区论坛：discord.gg/ollama

6. 安全最佳实践

6.1 访问控制设置

配置 API 密钥：

bash复制ollama config set api-key YOUR_SECRET_KEY

6.2 网络隔离建议

使用 Docker 隔离运行：

dockerfile复制FROM ollama/ollama
EXPOSE 11434
CMD ["serve", "--api"]

6.3 模型安全扫描

检查模型漏洞：

bash复制ollama scan llama3

7. 跨平台使用技巧

7.1 Windows 特别优化

设置高性能电源计划：

powershell复制powercfg /setactive 8c5e7fda-e8bf-4a96-9a85-a6e23a8c635c

7.2 macOS 内存管理

清理内存缓存：

bash复制sudo purge

7.3 Linux 系统调优

调整文件描述符限制：

bash复制ulimit -n 65536

8. 监控与日志分析

8.1 Prometheus 监控集成

配置 metrics 端点：

bash复制ollama serve --metrics

Grafana 仪表板配置示例：

json复制{
  "panels": [
    {
      "title": "GPU Usage",
      "targets": [{
        "expr": "ollama_gpu_utilization"
      }]
    }
  ]
}

8.2 日志分析技巧

过滤错误日志：

bash复制grep -i error ~/.ollama/logs/server.log

分析响应时间：

bash复制awk '/response_time/ {print $NF}' ~/.ollama/logs/server.log | sort -n

9. 故障排除手册

9.1 常见错误代码

错误码	含义	解决方案
429	请求过多	增加 `--rate-limit` 参数
502	模型未加载	检查 `ollama list` 并重新加载
CUDA_ERROR	GPU 问题	更新驱动或使用 `--cpu` 参数

9.2 诊断工具使用

收集系统信息：

bash复制ollama diagnose

生成调试报告：

bash复制ollama debug > report.txt

10. 进阶开发指南

10.1 自定义模型开发

创建 Python 扩展：

python复制from ollama import Model

class MyModel(Model):
    def generate(self, prompt):
        return "Custom response to: " + prompt

ollama.register_model("mymodel", MyModel)

10.2 REST API 扩展开发

FastAPI 集成示例：

python复制from fastapi import FastAPI
from ollama import Client

app = FastAPI()
client = Client()

@app.post("/ask")
async def ask(prompt: str):
    return client.generate("llama3", prompt)

10.3 模型性能基准测试

运行基准测试：

bash复制ollama benchmark llama3 --prompts 100 --threads 4

输出指标说明：

tokens/sec：每秒生成的 token 数
memory_usage：内存占用情况
gpu_util：GPU 利用率

11. 实用脚本合集

11.1 自动清理脚本

bash复制#!/bin/bash
# 清理30天未使用的模型
find ~/.ollama/models -type f -mtime +30 -exec ollama rm {} \;

11.2 模型健康检查

bash复制#!/bin/bash
for model in $(ollama list | awk '{print $1}'); do
    if ! ollama run $model "test" > /dev/null; then
        echo "修复模型 $model"
        ollama rm $model && ollama pull $model
    fi
done

11.3 批量问答处理

bash复制#!/bin/bash
while read -r question; do
    answer=$(ollama run llama3 "$question")
    echo "Q: $question"
    echo "A: $answer"
done < questions.txt

12. 硬件配置建议

12.1 性价比配置方案

组件	推荐配置	备注
CPU	Intel i7-12700K	或 AMD Ryzen 7 5800X
GPU	NVIDIA RTX 3060 12GB	最低要求
内存	32GB DDR4	双通道配置
存储	1TB NVMe SSD	高速读写

12.2 企业级部署配置

组件	推荐配置	备注
服务器	Dell R750xa	2U规格
GPU	NVIDIA A100 80GB x4	支持NVLink
内存	512GB DDR4 ECC	八通道
存储	8TB NVMe RAID	建议RAID 10

13. 容器化部署方案

13.1 Docker 基础用法

启动容器：

bash复制docker run -d -p 11434:11434 --gpus all ollama/ollama

管理模型：

bash复制docker exec -it ollama ollama pull llama3

13.2 Kubernetes 部署

部署示例：

yaml复制apiVersion: apps/v1
kind: Deployment
metadata:
  name: ollama
spec:
  replicas: 3
  template:
    spec:
      containers:
      - name: ollama
        image: ollama/ollama
        ports:
        - containerPort: 11434
        resources:
          limits:
            nvidia.com/gpu: 1

14. 模型转换与优化

14.1 GGUF 格式转换

转换 PyTorch 模型：

bash复制ollama convert pytorch_model.bin --format gguf

14.2 量化模型创建

4-bit 量化：

bash复制ollama quantize llama3 --bits 4

14.3 模型剪枝优化

执行结构化剪枝：

bash复制ollama prune llama3 --ratio 0.3

15. 多语言支持技巧

15.1 中文模型优化

下载中文优化版本：

bash复制ollama pull qwen:cn

15.2 多语言切换

运行时指定语言：

bash复制ollama run llama3 --language zh

15.3 本地化部署

设置本地词表：

bash复制ollama config set tokenizer.path ./local_tokenizer.json

16. 模型融合技术

16.1 基础融合方法

创建融合配置：

text复制BASE llama3
MERGE mistral
WEIGHTS 0.7 0.3

构建融合模型：

bash复制ollama merge -f blend.Modelfile

16.2 专家混合(MoE)配置

示例配置：

text复制BASE llama3
EXPERTS 4
GATE linear

17. 边缘设备部署

17.1 Raspberry Pi 适配

ARM 版本安装：

bash复制curl -fsSL https://ollama.ai/install-arm.sh | sh

17.2 手机端优化

量化到 2-bit：

bash复制ollama quantize llama3 --bits 2 --mobile

17.3 资源受限环境

限制 CPU 核心：

bash复制taskset -c 0-3 ollama run llama3

18. 模型版本管理

18.1 版本回滚

切换到指定版本：

bash复制ollama checkout llama3 --version v2.1

18.2 差异比较

比较两个版本：

bash复制ollama diff llama3@v2.0 llama3@v2.1

18.3 版本锁定

锁定当前版本：

bash复制ollama pin llama3

19. 模型安全评估

19.1 对抗测试

运行安全测试：

bash复制ollama test llama3 --safety

19.2 输出过滤

设置内容过滤器：

bash复制ollama run llama3 --filter profanity

19.3 隐私保护

启用差分隐私：

bash复制ollama run --privacy llama3

20. 社区贡献指南

20.1 模型提交规范

准备模型文件
创建 Modelfile
提交 Pull Request

示例结构：

code复制my-model/
├── Modelfile
├── model.bin
└── README.md

20.2 问题报告模板

标题：[模块] 问题描述

内容：

环境信息
复现步骤
预期行为
实际行为
日志片段

20.3 性能优化建议

提交基准测试结果：

bash复制ollama benchmark --format markdown > results.md

21. 商业应用案例

21.1 客服系统集成

python复制def chatbot(query):
    response = ollama.generate(
        model="llama3",
        prompt=f"客服回答：{query}",
        max_tokens=200
    )
    return response

21.2 内容生成流水线

bash复制# 批量生成内容
cat topics.txt | xargs -I {} ollama run llama3 "写一篇关于{}的文章" > output.md

21.3 数据分析增强

python复制import pandas as pd
from ollama import analyze

df = pd.read_csv("data.csv")
insights = analyze("llama3", df.describe())

22. 模型训练监控

22.1 训练指标跟踪

实时查看指标：

bash复制watch -n 1 ollama train-status

22.2 损失函数分析

导出训练曲线：

bash复制ollama train-plot --output loss.png

22.3 早停策略配置

设置停止条件：

bash复制ollama train --early-stop patience=3 delta=0.01

23. 模型解释性工具

23.1 注意力可视化

生成注意力图：

bash复制ollama visualize llama3 "输入文本" --output attn.png

23.2 特征重要性分析

运行分析：

bash复制ollama explain llama3 --input "样例输入"

23.3 决策路径追踪

查看推理过程：

bash复制ollama run --debug llama3 "问题"

24. 多模态扩展

24.1 图像理解

使用 LLaVA 模型：

bash复制ollama run llava --image input.jpg "描述这张图片"

24.2 音频处理

语音转文本：

bash复制ollama transcribe audio.wav --model whisper

24.3 视频分析

提取关键帧：

bash复制ollama process-video input.mp4 --frames 10

25. 模型服务网格

25.1 服务发现配置

注册到 Consul：

bash复制ollama register --consul consul.service:8500

25.2 负载均衡策略

设置权重：

bash复制ollama balance --strategy weighted --models llama3=3,mistral=1

25.3 健康检查配置

HTTP 检查端点：

bash复制ollama health-check --http :8080/health

26. 模型缓存优化

26.1 内存缓存配置

设置缓存大小：

bash复制ollama config set cache.size 4G

26.2 磁盘缓存管理

清理缓存：

bash复制ollama cache clean

26.3 智能预加载

预加载常用模型：

bash复制ollama preload llama3 mistral

27. 终端集成技巧

27.1 Shell 自动补全

安装补全脚本：

bash复制ollama completion bash > /etc/bash_completion.d/ollama

27.2 REPL 增强

使用 ollama-shell：

bash复制pip install ollama-shell
ollama-shell --model llama3

27.3 命令行快捷键

常用别名设置：

bash复制alias om="ollama run mistral"
alias oll="ollama list"

28. 模型测试方法论

28.1 单元测试示例

python复制def test_model_response():
    response = ollama.run("llama3", "测试")
    assert len(response) > 0

28.2 压力测试方案

模拟高并发：

bash复制ab -n 1000 -c 100 http://localhost:11434/api/generate

28.3 A/B 测试配置

对比两个模型：

bash复制ollama compare llama3@v1 llama3@v2 --prompts test_cases.txt

29. 模型元数据管理

29.1 标签系统使用

添加标签：

bash复制ollama tag llama3 --add "text-generation"

搜索模型：

bash复制ollama search --tag "chinese"

29.2 模型文档生成

自动生成文档：

bash复制ollama docs llama3 --format markdown > README.md

29.3 许可证管理

检查许可证：

bash复制ollama license llama3

30. 跨框架集成

30.1 PyTorch 接口

python复制import torch
from ollama import OllamaForCausalLM

model = OllamaForCausalLM.from_pretrained("llama3")
inputs = torch.tensor([[1, 2, 3]])
outputs = model(inputs)

30.2 TensorFlow 兼容层

python复制import tensorflow as tf
from ollama.tf import TFOllama

model = TFOllama("llama3")
dataset = tf.data.Dataset.from_tensor_slices(...)
model.fit(dataset)

30.3 ONNX 导出

转换模型：

bash复制ollama export llama3 --format onnx

31. 模型压缩技术

31.1 知识蒸馏

使用教师-学生模式：

bash复制ollama distill teacher=llama3 student=tinyllama

31.2 权重量化

动态量化：

bash复制ollama quantize --dynamic llama3

31.3 结构化剪枝

基于重要性的剪枝：

bash复制ollama prune --importance llama3

32. 模型签名验证

32.1 完整性检查

验证模型哈希：

bash复制ollama verify --checksum llama3

32.2 数字签名验证

检查 GPG 签名：

bash复制ollama verify --gpg llama3

32.3 防篡改机制

启用安全模式：

bash复制ollama run --secure llama3

33. 模型热更新

33.1 无缝升级方案

后台下载新版本：

bash复制ollama update --background llama3

33.2 版本切换测试

临时加载新版本：

bash复制ollama run --version candidate llama3

33.3 回滚机制

快速回退：

bash复制ollama rollback llama3

34. 模型性能分析

34.1 火焰图生成

CPU 性能分析：

bash复制ollama profile --flamegraph llama3

34.2 内存分析工具

检查内存泄漏：

bash复制ollama debug --memcheck

34.3 GPU 利用率优化

NVIDIA Nsight 集成：

bash复制ollama profile --nsight llama3

35. 模型服务网格

35.1 服务发现集成

注册到服务网格：

bash复制ollama register --mesh istio

35.2 流量镜像配置

复制生产流量：

bash复制ollama mirror --target llama3-canary

35.3 金丝雀发布

渐进式发布：

bash复制ollama release --canary --percent 10 llama3-v2

36. 模型联邦学习

36.1 分布式训练配置

设置集群：

bash复制ollama cluster init --nodes 3

36.2 参数服务器模式

启动参数服务器：

bash复制ollama ps --port 12345

36.3 安全聚合协议

启用加密聚合：

bash复制ollama train --secure-aggregation

37. 模型监控告警

37.1 Prometheus 指标

关键监控指标：

ollama_latency_seconds
ollama_memory_usage_bytes
ollama_gpu_utilization

37.2 告警规则示例

yaml复制groups:
- name: ollama-alerts
  rules:
  - alert: HighLatency
    expr: ollama_latency_seconds > 5
    for: 5m

37.3 健康检查集成

Kubernetes 探针配置：

yaml复制livenessProbe:
  httpGet:
    path: /healthz
    port: 11434

38. 模型版本对比

38.1 性能基准对比

bash复制ollama benchmark --compare llama3@v1 llama3@v2

38.2 质量评估报告

生成评估：

bash复制ollama evaluate --dataset test_set.json

38.3 A/B 测试工具

流量分割测试：

bash复制ollama abtest --ratio 50:50 llama3@v1 llama3@v2

39. 模型压缩传输

39.1 差分压缩技术

生成增量更新：

bash复制ollama delta llama3@v1 llama3@v2

39.2 二进制补丁应用

应用补丁：

bash复制ollama patch llama3 patch.bin

39.3 压缩传输优化

启用压缩：

bash复制ollama config set network.compression zstd

40. 模型解释报告

40.1 自动生成文档

创建模型卡：

bash复制ollama card llama3 --output model_card.md

40.2 决策解释器

理解模型输出：

bash复制ollama explain --input "为什么给出这个回答?"

40.3 偏见检测工具

运行检测：

bash复制ollama detect-bias --dataset bias_test.json

41. 模型组合应用

41.1 管道式处理

串联多个模型：

bash复制ollama pipe "text->llama3->summary->mistral"

41.2 投票集成方法

多模型投票：

bash复制ollama ensemble --models llama3,mistral,qwen --strategy vote

41.3 动态路由配置

基于内容路由：

bash复制ollama route --rule "length(input)>100 ? llama3 : mistral"

42. 模型安全防护

42.1 对抗样本检测

bash复制ollama scan --adversarial input.txt

42.2 输入过滤系统

设置过滤规则：

bash复制ollama filter --rules sensitive_words.txt

42.3 输出审核机制

启用审核：

bash复制ollama run --moderate llama3

43. 模型服务扩展

43.1 gRPC 接口生成

bash复制ollama generate-grpc --output ollama.proto

43.2 GraphQL 支持

启动 GraphQL 端点：

bash复制ollama serve --graphql

43.3 WebSocket 实时交互

javascript复制const ws = new WebSocket('ws://localhost:11434/ws');
ws.send(JSON.stringify({model: 'llama3', prompt: '你好'}));

44. 模型调试技巧

44.1 交互式调试器

启动调试会话：

bash复制ollama debug --interactive

44.2 断点设置

在特定层中断：

bash复制ollama run --breakpoint layer12 llama3

44.3 梯度检查

验证反向传播：

bash复制ollama check-gradients llama3

45. 模型可视化工具

45.1 结构可视化

生成架构图：

bash复制ollama graph --format png

45.2 注意力热图

可视化注意力：

bash复制ollama visualize-attention "输入文本"

45.3 特征空间投影

降维可视化：

bash复制ollama project --dim 2 --method pca

46. 模型测试数据集

46.1 标准测试集

下载测试集：

bash复制ollama dataset download glue

46.2 自定义数据集

注册数据集：

bash复制ollama dataset register ./custom_data.json

46.3 数据增强工具

增强训练数据：

bash复制ollama augment --dataset train.jsonl

47. 模型元信息管理

47.1 模型签名

查看签名信息：

bash复制ollama inspect --signature llama3

47.2 训练数据溯源

查询数据来源：

bash复制ollama provenance llama3

47.3 许可证检查

验证许可证：

bash复制ollama license-check llama3

48. 模型服务治理

48.1 限流配置

设置速率限制：

bash复制ollama limit --rps 100

48.2 熔断机制

配置熔断策略：

bash复制ollama circuit-breaker --error-rate 0.1

48.3 优先级队列

设置处理优先级：

bash复制ollama priority --high "important_queries"

49. 模型打包分发

49.1 便携式打包

创建独立包：

bash复制ollama package --standalone llama3

49.2 Docker 镜像构建

生成容器镜像：

bash复制ollama dockerize --image my-llama3

49.3 离线安装包

制作离线包：

bash复制ollama bundle --output llama3.offline

50. 终极效率技巧

快速问答模板：

bash复制alias q="ollama run llama3 --template quick"

历史记录搜索：

bash复制ollama history | grep "关键词"

常用提示词保存：

bash复制ollama template add coding "实现一个Python函数，功能是{input}"

多会话管理：

bash复制tmux new-session -d -s ollama 'ollama run llama3'

自动补全增强：

bash复制complete -C 'ollama complete' ollama

性能监控仪表盘：

bash复制ollama dashboard --port 8080

批量处理脚本：

bash复制parallel -j 4 ollama run llama3 :::: prompts.txt

智能提示词优化：

bash复制ollama optimize-prompt "原始提示" --iterations 10

模型配置预设：

bash复制ollama preset create professional --params "temperature=0.2,top_p=0.9"

跨平台同步：

bash复制ollama sync --remote user@server:~/.ollama