七星彩网站建设网站页面的优化

ollama 是一个强大的本地大语言模型工具，支持多种开源模型，例如 deepseek-r1:8b。通过 Ollama 的 API，我们可以轻松调用这些模型来完成文本生成、对话等任务。这里记录一下如何使用 Python 调用 Ollama API，并调用 deepseek-r1:8b 模型生成文本。

准备工作

在开始之前，确保你已经完成以下准备工作：

1. 安装 Ollama：

   如果你还没有安装 Ollama，可以参考 Ollama 官方文档 进行安装。

   安装完成后，启动 Ollama 服务。默认情况下，API 会在 http://localhost:11434 上运行。

2. 下载 deepseek-r1:8b 模型：

   使用以下命令下载 deepseek-r1:8b 模型：

   ollama pull deepseek-r1:8b
   

3. 安装 Python 的 requests 库：

   这里将使用 requests 库来发送 HTTP 请求。如果还没有安装，可以通过以下命令安装：

   pip install requests
   

调用 Ollama API

在此之前可以了解一下每个api大概得作用

API名称	功能描述
Generate	根据输入的提示生成文本，适用于文本生成任务。
Chat	进行对话交互，模拟聊天机器人等场景。
Embeddings	生成文本的嵌入向量，用于文本相似性比较、聚类等任务。
Pull	从 Ollama 服务器下载指定的模型到本地。
List	列出本地已下载的模型，查看当前可用的模型。
Delete	删除本地存储的模型，释放存储空间。
Show	显示模型的详细信息，如参数、版本等。
Copy	复制一个模型到另一个名称，便于创建模型的副本。
Create	基于现有模型创建自定义模型，支持自定义参数和配置。
Health Check	检查 Ollama 服务的运行状态，确认服务是否正常。

使用generate

使用generateapi主要是生成一次内容,这个并没有记录功能,实现代码如下:

# -*- coding: utf-8 -*-
import requests# Ollama API 的 URL
url = "http://localhost:11434/api/generate"res = requests.post(url=url,json={"Model":"deepseek-r1:8b","prompt":"写一首关于爱情的诗","stream":False}
)
data_dict = res.json()
print(data_dict)

这样返回的内容会比较混乱,因为是直接返回的

修改一下显示的内容,将上面最后两行代码注释,修改为如下代码:

# data_dict = res.json()
# print(data_dict).# 检查请求是否成功
if res.status_code == 200:# 解析返回的 JSON 数据result = res.json()# 提取 response 字段generated_text = result.get("response", "")print("生成的文本:", generated_text)
else:print("请求失败，状态码:", res.status_code)print("错误信息:", res.text)

这样得到的文本可视化非常好看了:

实现多轮对话并保留对话的记忆

在这个里面模型不会记录我们之前说的话,所以现在修改一下代码让他可以实现多轮对话,原理就是把之前交流的信息保存在一个list中,然后可以手动输入下一个问题,

1. 首先修改使用的API,多轮对话要使用chatapi

   url = "http://localhost:11434/api/chat"
   

2. 然后创建一个list用于保存对话.

   # 保存对话记录的list
   msg_list = []
   

3. 写一个while的死循环,然后让用户输入文本,输入完成后将消息保存到对话记录中,然后再将返回结果也保存到列表中,这样就将之前的记录保存起来了.

   # -*- coding: utf-8 -*-
   import requests# 保存对话记录的list
   msg_list = []# Ollama API 的 URL
   url = "http://localhost:11434/api/chat"while True:text = input("请输入:")user_dict = {"role":"user","content":text}msg_list.append(user_dict)res = requests.post(url=url,json={"model":"deepseek-r1:8b","messages":msg_list,"stream":False})# data_dict = res.json()# print(data_dict)# 检查请求是否成功if res.status_code == 200:# 解析返回的 JSON 数据result = res.json()# 提取 response 字段generated_text = result.get("message", "")# 保存返回的文本msg_list.append(generated_text)print("生成的文本:", generated_text["content"])else:print("请求失败，状态码:", res.status_code)print("错误信息:", res.text)
   

   这样就可以连续对话了,
   
   到这里就实现了使用代码来调用了.