引言

随着大模型技术的快速发展，越来越多的企业开始思考如何将这项技术真正落地应用。相比于依赖云端 API 服务，私有化部署正在成为企业的必行趋势。

为什么企业需要私有化部署大模型？

私有化部署大模型具有以下显著优势：

• 数据安全与隐私保护： 企业的敏感数据无需上传到第三方服务器，完全在本地环境中处理，从根本上消除了数据泄露的风险。这对于金融、医疗、法律等对数据安全要求极高的行业尤为重要。
• 成本可控： 虽然初期需要一定的硬件投入，但长期来看，私有化部署可以避免持续的 API 调用费用。特别是对于高频调用场景，成本优势会更加明显。
• 服务稳定性： 不依赖外部网络和第三方服务的可用性，避免因网络波动或服务商故障导致的业务中断。企业可以完全掌控服务的可用性和响应速度。
• 定制化能力： 企业可以根据自身业务需求对模型进行微调和优化，打造专属的行业解决方案，而不受云服务提供商的限制。
• 合规性要求： 某些行业和地区的法规要求数据必须存储在本地或特定区域，私有化部署可以轻松满足这些合规要求。

而实现本地私有化部署，之于我们私人而言，最简单的方式莫过于使用 Ollama。而关于企业级部署，我们将在单独的一个专题系列博文中阐述。本博文将详细介绍如何通过 Ollama 部署本地大模型，并如何在 LangChain 中进行调用。

---

Ollama 前序工作

什么是 Ollama

Ollama 是 GitHub 上的一个明星开源项目，其定位是一个本地运行大模型的集成框架。Ollama 主要具有以下特点：

• 架构支持广泛： 主要针对主流的 Llama 架构开源大模型设计，完美支持 Qwen、DeepSeek、Llama、Mistral 等热门模型。
• 一键式部署： 实现模型下载、启动和本地运行的全自动化流程，完全脱离复杂配置。
• 跨平台兼容： 支持 macOS、Linux、Windows 三大主流操作系统。

虽然 Ollama 为本地大模型部署提供了极大便利，我们也需客观认识它的一些局限性。其最主要的局限性在于企业级应用中需要的批处理性能方面：

• 功能相对简化：相比于 vLLM 等专业推理框架，Ollama 在批量推理、动态批处理、多 GPU 并行等高级特性上支持有限。对于需要极致性能优化、高负载的企业级生产环境，必须考虑其他方案。

其余限制，如封装度较高带来的调试信息有限、量化格式限制，功能简化不支持的模型微调不便等限制。不过，万里长征看脚下，我们先从 ollama 开启。

---

Ollama 的下载与安装

访问 Ollama 官网，下载对应操作系统的安装包，双击安装即可。

按照默认安装顺序完成安装，并在 CMD/终端 中输入如下命令验证安装（博主开发环境为 MBP，后续截图将按 Mac 操作系统展开）：

ollama --version

Ollama 常用命令

掌握以下几个核心命令，就能轻松驾驭 Ollama：

查看已安装的模型

ollama list

这个命令会列出所有已下载到本地的模型，包括模型名称、大小和最后修改时间。博主在几个月前下载了 Qwen3 系列模型：

运行模型

首次运行会自动下载模型，之后会直接启动交互式对话界面，以 qwen2.5-7b 模型为例。

ollama run qwen2.5:7b

对于其他模型，用户可以在官方查找指定模型名称，并按照命令下载。

下载新模型

拉取模型（仅下载不运行），以 qwen2.5-7b 模型为例：

ollama pull qwen2.5:7b

删除模型

ollama rm qwen2.5:7b

查看运行中的模型

ollama ps

停止模型服务

ollama stop qwen2.5:7b

---

在 LangChain 中调用本地大模型

在开启本部分内容学习前，建议读者先行了解本系列博文前序内容。

环境准备

首先安装必要的 Python 包（默认已安装、掌握 langchain 前序知识）：

pip install langchain-ollama

基础调用示例

下面是一个最简单的调用示例：

from langchain_ollama import ChatOllama

# 初始化模型
llm = ChatOllama(
	model="qwen2.5:30b"
)

# 直接调用
response = llm.invoke("什么是量子计算?请用简单的语言解释。")
print(response.content)

流式输出

对于需要实时反馈的场景，可以使用流式输出：

from langchain_ollama import ChatOllama

llm = ChatOllama(
	model="qwen2.5:30b"
)

# 流式输出
for chunk in llm.stream("写一首关于春天的诗"):
    print(chunk.content, end="", flush=True)

结合提示词模板

在实际应用中，我们通常需要使用提示词模板来规范模型的输入输出：

from langchain_ollama import ChatOllama
from langchain.prompts import PromptTemplate
from langchain.chains import LLMChain

# 定义提示词模板
template = """你是一个专业的技术顾问。请根据以下问题提供详细的解答:

问题: {question}

请确保回答:
1. 准确专业
2. 结构清晰
3. 包含实际案例

回答:"""

prompt = PromptTemplate(
	template=template,
	input_variables=["question"]
)

# 创建链
llm = ChatOllama(
	model="qwen2.5:30b"
)

chain = LLMChain(llm=llm, prompt=prompt)

# 执行
result = chain.run(question="什么是微服务架构?")
print(result)

构建对话系统

对于需要保持上下文的对话场景：

from langchain_ollama import ChatOllama
from langchain.memory import ConversationBufferMemory
from langchain.chains import ConversationChain

llm = ChatOllama(model="qwen2.5:30b", temperature=0.7)

# 添加记忆功能
memory = ConversationBufferMemory()

# 创建对话链
conversation = ConversationChain(
    llm=llm,
    memory=memory,
    verbose=True
)

# 多轮对话
print(conversation.predict(input="我想学习 Python,应该从哪里开始?"))
print(conversation.predict(input="那数据类型部分有哪些重点?"))
print(conversation.predict(input="能给我举个字典的例子吗?"))

---

总结

通过 Ollama ，配合 LangChain 强大的开发框架，个人可以快速构建自己的大模型应用系统。从数据安全、成本控制到服务稳定性，私有化部署的优势显而易见。随着硬件成本的持续下降和开源模型的不断进步，这一趋势将会越来越明显。

现在就开始你的大模型私有化部署之旅吧！从安装 Ollama，到下载第一个模型，再到用 LangChain 构建你的应用 —— 这一切比你想象的要简单得多。而关于企业级部署与应用，敬请关注我的另一个系列博文 —— 大模型企业级部署。

---

2025.10.07 北京·西直门