关于 ollama-stack
ollama-stack 是部署本地 LLM 推理环境的技能,面向需要离线、注重隐私或在个人硬件上运行模型的开发者。内容涵盖 Ollama 配置、API 使用、自定义模型及运维排障。
主要功能
- 01部署本地 Ollama 推理服务
- 02通过 API 和 SDK 调用模型
- 03创建带自定义提示词的模型
- 04配置 GPU 与并发参数
- 05监控运行模型并排查问题
适用场景
- 01搭建离线开发用 LLM 环境
- 02为团队提供共享推理端点
- 03在个人硬件上运行模型
- 04通过本地模型先行验证方案
安装
复制下面的命令,在终端中运行。
$
npx skills add https:/ / github.com/ bagelhole/ devops-security-agent-skills --skill ollama-stack安装后在 Claude Code 中输入/ollama-stack确认已加载。
详细介绍
Ollama Stack
部署本地大模型堆栈,支持离线和隐私优先的工作流。
何时使用此技能
在以下情况下使用此技能:
- 为开发设置私有/本地大模型推理
- 构建隔离网络的 AI 环境
- 在个人硬件(Mac、Linux、配备 GPU 的 Windows)上运行模型
- 创建团队共享的推理端点
- 在决定使用云端大模型 API 之前进行原型设计
先决条件
- 8 GB+ 内存(建议使用 16 GB+ 内存运行 7B+ 模型)
- 如需 GPU 加速:配备 6 GB+ 显存的 NVIDIA GPU,或 Apple Silicon Mac
- Docker(用于容器化部署)
- 20 GB+ 磁盘空间用于存储模型
快速开始
# Install Ollama
curl -fsSL https://ollama.com/install.sh | sh
# Start the server
ollama serve
# Pull and run a model
ollama pull llama3.1:8b
ollama run llama3.1:8b "Explain Kubernetes pods in one paragraph"
# List available models
ollama list
# Pull specific quantization
ollama pull llama3.1:8b-instruct-q4_K_M
模型选择指南
| 模型 | 大小 | 显存 | 最适合 |
|---|---|---|---|
llama3.1:8b | 4.7 GB | 6 GB | 通用聊天、编码 |
llama3.1:70b | 40 GB | 48 GB | 复杂推理 |
codellama:13b | 7.4 GB | 10 GB | 代码生成 |
mistral:7b | 4.1 GB | 6 GB | 快速处理通用任务 |
mixtral:8x7b | 26 GB | 32 GB | 高质量 MoE |
nomic-embed-text | 274 MB | 1 GB | 用于 RAG 的嵌入 |
llava:13b | 8 GB | 10 GB | 视觉 + 文本 |
deepseek-coder-v2:16b | 9 GB | 12 GB | 代码生成 |
qwen2.5:14b | 9 GB | 12 GB | 多语言、推理 |
Docker Compose — 完整堆栈
# docker-compose.yml
services:
ollama:
image: ollama/ollama:latest
container_name: ollama
restart: unless-stopped
ports:
- "11434:11434"
volumes:
- ollama_data:/root/.ollama
environment:
- OLLAMA_HOST=0.0.0.0
- OLLAMA_NUM_PARALLEL=4
- OLLAMA_MAX_LOADED_MODELS=2
- OLLAMA_FLASH_ATTENTION=1
deploy:
resources:
reservations:
devices:
- driver: nvidia
count: all
capabilities: [gpu]
healthcheck:
test: ["CMD", "curl", "-f", "http://localhost:11434/api/tags"]
interval: 30s
timeout: 10s
retries: 3
open-webui:
image: ghcr.io/open-webui/open-webui:main
container_name: open-webui
restart: unless-stopped
ports:
- "3000:8080"
volumes:
- webui_data:/app/backend/data
environment:
- OLLAMA_BASE_URL=http://ollama:11434
- WEBUI_AUTH=true
- WEBUI_SECRET_KEY=${WEBUI_SECRET_KEY:-change-me-in-production}
- DEFAULT_MODELS=llama3.1:8b
depends_on:
ollama:
condition: service_healthy
litellm:
image: ghcr.io/berriai/litellm:main-latest
container_name: litellm
restart: unless-stopped
ports:
- "4000:4000"
volumes:
- ./litellm-config.yaml:/app/config.yaml
command: ["--config", "/app/config.yaml"]
depends_on:
ollama:
condition: service_healthy
volumes:
ollama_data:
webui_data:
LiteLLM 代理配置
# litellm-config.yaml
model_list:
- model_name: llama3
litellm_params:
model: ollama/llama3.1:8b
api_base: http://ollama:11434
- model_name: codellama
litellm_params:
model: ollama/codellama:13b
api_base: http://ollama:11434
- model_name: embeddings
litellm_params:
model: ollama/nomic-embed-text
api_base: http://ollama:11434
general_settings:
master_key: sk-local-dev-key
max_budget: 0 # unlimited for local
API 用法
Ollama 提供兼容 OpenAI 的 API:
# Chat completion
curl http://localhost:11434/v1/chat/completions \
-H "Content-Type: application/json" \
-d '{
"model": "llama3.1:8b",
"messages": [{"role": "user", "content": "Hello"}],
"stream": false
}'
# Embeddings
curl http://localhost:11434/v1/embeddings \
-H "Content-Type: application/json" \
-d '{
"model": "nomic-embed-text",
"input": "The quick brown fox"
}'
# List models
curl http://localhost:11434/api/tags
Python 客户端
# pip install ollama
import ollama
# Chat
response = ollama.chat(
model="llama3.1:8b",
messages=[{"role": "user", "content": "Explain Docker in 3 sentences"}],
)
print(response["message"]["content"])
# Streaming
for chunk in ollama.chat(
model="llama3.1:8b",
messages=[{"role": "user", "content": "Write a haiku about containers"}],
stream=True,
):
print(chunk["message"]["content"], end="", flush=True)
# Embeddings
result = ollama.embed(model="nomic-embed-text", input="Hello world")
print(f"Embedding dimensions: {len(result['embeddings'][0])}")
OpenAI SDK 兼容性
from openai import OpenAI
client = OpenAI(base_url="http://localhost:11434/v1", api_key="unused")
response = client.chat.completions.create(
model="llama3.1:8b",
messages=[{"role": "user", "content": "Hello"}],
)
print(response.choices[0].message.content)
自定义 Modelfile
使用自定义系统提示词和参数创建专用模型:
# Modelfile.devops-assistant
FROM llama3.1:8b
SYSTEM """You are a DevOps expert assistant. You provide concise, production-ready
advice about infrastructure, CI/CD, containers, and cloud services.
Always include relevant commands and config examples."""
PARAMETER temperature 0.3
PARAMETER top_p 0.9
PARAMETER num_ctx 8192
PARAMETER repeat_penalty 1.1
# Build and use custom model
ollama create devops-assistant -f Modelfile.devops-assistant
ollama run devops-assistant "Set up a GitHub Actions workflow for Docker builds"
GPU 配置
NVIDIA
# Verify GPU access
nvidia-smi
ollama run llama3.1:8b --verbose # Shows GPU layers loaded
# Environment tuning
export OLLAMA_NUM_PARALLEL=4 # Concurrent requests
export OLLAMA_MAX_LOADED_MODELS=2 # Models in VRAM
export OLLAMA_FLASH_ATTENTION=1 # Faster attention
export CUDA_VISIBLE_DEVICES=0,1 # Multi-GPU
Apple Silicon
# Metal acceleration is automatic on macOS
# Verify with:
ollama run llama3.1:8b --verbose
# Look for: "metal" in the output
# Optimize for unified memory
export OLLAMA_NUM_PARALLEL=2 # Keep memory headroom
export OLLAMA_MAX_LOADED_MODELS=1 # One model at a time on 16GB
监控
# Check running models and memory usage
curl http://localhost:11434/api/ps
# Prometheus metrics (if enabled)
curl http://localhost:11434/metrics
# Quick health check script
#!/bin/bash
response=$(curl -s -o /dev/null -w "%{http_code}" http://localhost:11434/api/tags)
if [ "$response" = "200" ]; then
echo "Ollama is healthy"
curl -s http://localhost:11434/api/ps | python3 -m json.tool
else
echo "Ollama is down (HTTP $response)"
exit 1
fi
Systemd 服务
# /etc/systemd/system/ollama.service
[Unit]
Description=Ollama LLM Server
After=network-online.target
Wants=network-online.target
[Service]
ExecStart=/usr/local/bin/ollama serve
User=ollama
Group=ollama
Restart=always
RestartSec=3
Environment="OLLAMA_HOST=0.0.0.0"
Environment="OLLAMA_NUM_PARALLEL=4"
Environment="OLLAMA_FLASH_ATTENTION=1"
LimitNOFILE=65535
[Install]
WantedBy=default.target
sudo useradd -r -s /bin/false -m -d /usr/share/ollama ollama
sudo systemctl daemon-reload
sudo systemctl enable --now ollama
sudo systemctl status ollama
安全
- 在生产环境中绑定到
127.0.0.1(默认值),使用反向代理进行远程访问 - 在 Open WebUI 上设置
WEBUI_AUTH=true - 使用带 TLS 的 nginx 进行远程访问:
server {
listen 443 ssl;
server_name llm.internal.example.com;
ssl_certificate /etc/ssl/certs/llm.pem;
ssl_certificate_key /etc/ssl/private/llm.key;
location / {
proxy_pass http://127.0.0.1:11434;
proxy_set_header Host $host;
proxy_buffering off; # Required for streaming
proxy_read_timeout 600s; # Long model responses
allow 10.0.0.0/8;
deny all;
}
}
故障排除
| 问题 | 解决方案 |
|---|---|
| 模型速度太慢 | 使用较小的量化版本(q4_K_M),启用 flash attention |
| 内存不足 | 减少 num_ctx,使用较小的模型,设置 OLLAMA_MAX_LOADED_MODELS=1 |
| 未检测到 GPU | 检查 nvidia-smi,重新安装 CUDA 驱动,验证 Docker GPU 运行时 |
| 连接被拒绝 | 检查 OLLAMA_HOST 设置,验证防火墙规则 |
| 模型下载失败 | 检查磁盘空间;对于自签名注册表,使用 ollama pull --insecure 重试 |
相关技能
- mac-mini-llm-lab — Apple Silicon 优化
- docker-compose — 服务编排
- vllm-server — 高吞吐量生产环境推理
- llm-gateway — 统一 API 路由
评论
支持 Markdown