使用Ollama完成LLM私有化部署后，除了命令行方式进行问答，还需要能够通过代码调用接口的方式进行。目前主要有以下几种方式：requests调用方式、openai调用方式、ollama调用方式、
 

requests调用

代码示例：

# -*- coding: utf-8 -*-
import json

# @Author: Chuanqi Cheng
# @File: llm_requests.py

import requests
import pandas as pd

url = 'http://localhost:11434/api/chat'
def send_message(query):
    """构建请求参数"""
    payload={
        "model":"DeepSeek-R1-Distill-Qwen-14B:latest",
        "messages":[
            {"role":"user","content":query}
        ]
    }
    """请求Ollama中模型接口"""
    head = {"Content-Type": "application/json"}
    response = requests.post(url,json=payload,headers=head)

    if response.status_code == 200:
        response_content = ""
        response_json = pd.read_json(response.text,lines=True) # 坑，此处使用json容易因为换行符出错，使用pd可以

        for line in response_json["message"]:
            response_content += line.get('content')
        return response_content
    else:
        return f"回答失败:,{response.status_code}---{response.text}"

print(send_message('你好，你能帮我做些什么事情啊，你是谁'))

openai库调用

代码示例：

# -*- coding: utf-8 -*-

# @Author: Chuanqi Cheng
# @File: llm_openai.py

from openai import OpenAI
client = OpenAI(
    base_url = 'http://localhost:11434/v1/',
    api_key = 'ollama'
)
"""
构造模型请求参数
"""
def get_llm_params(prompt):
    messages=[{"role":"user","content":prompt}]
    return messages

def get_completion(prompt,model="DeepSeek-R1-Distill-Qwen-14B:latest",temperature=0.95):
    messages = get_llm_params(prompt)
    responses = client.chat.completions.create(
        model = model,
        temperature = temperature,
        messages = messages
    )
    if len(responses.choices) > 0:
        return responses.choices[0].message.content
    return "生成答案失败！"


print(get_completion('你好，你是谁'))

基于Ollama库调用

代码示例：

# -*- coding: utf-8 -*-

# @Author: Chuanqi Cheng
# @File: llm_ollama.py

import ollama
import json

host = 'http://localhost:11434'
client = ollama.Client(host=host)

def send_message(prompt,temperature=0.95,model='DeepSeek-R1-Distill-Qwen-14B:latest'):
    answer = client.chat(
        model = model,
        messages = [{
            "role":"user",
            "content":prompt
        }],
        options={"temperature":temperature}
    )


    print(answer["message"]["content"])

send_message("你好，你是谁，你会做什么事情")

// TODO// 还有其他库应该也可以，另外，没有深入研究流式输出和段落式输出，待学习。

 如何系统的去学习大模型LLM ？

大模型时代，火爆出圈的LLM大模型让程序员们开始重新评估自己的本领。 “AI会取代那些行业？”“谁的饭碗又将不保了？”等问题热议不断。

事实上，抢你饭碗的不是AI，而是会利用AI的人。

继科大讯飞、阿里、华为等巨头公司发布AI产品后，很多中小企业也陆续进场！超高年薪，挖掘AI大模型人才！ 如今大厂老板们，也更倾向于会AI的人，普通程序员，还有应对的机会吗？

与其焦虑……

不如成为「掌握AI工具的技术人」，毕竟AI时代，谁先尝试，谁就能占得先机！

但是LLM相关的内容很多，现在网上的老课程老教材关于LLM又太少。所以现在小白入门就只能靠自学，学习成本和门槛很高。

基于此，我用做产品的心态来打磨这份大模型教程，深挖痛点并持续修改了近70次后，终于把整个AI大模型的学习门槛，降到了最低！

在这个版本当中：

第一您不需要具备任何算法和数学的基础
第二不要求准备高配置的电脑
第三不必懂Python等任何编程语言

您只需要听我讲，跟着我做即可，为了让学习的道路变得更简单，这份大模型教程已经给大家整理并打包，现在将这份 LLM大模型资料 分享出来：包括LLM大模型书籍、640套大模型行业报告、LLM大模型学习视频、LLM大模型学习路线、开源大模型学习教程等, 😝有需要的小伙伴，可以 扫描下方二维码领取🆓↓↓↓

​

一、LLM大模型经典书籍

AI大模型已经成为了当今科技领域的一大热点，那以下这些大模型书籍就是非常不错的学习资源。

二、640套LLM大模型报告合集

这套包含640份报告的合集，涵盖了大模型的理论研究、技术实现、行业应用等多个方面。无论您是科研人员、工程师，还是对AI大模型感兴趣的爱好者，这套报告合集都将为您提供宝贵的信息和启示。(几乎涵盖所有行业)

三、LLM大模型系列视频教程

四、LLM大模型开源教程（LLaLA/Meta/chatglm/chatgpt）

五、AI产品经理大模型教程

LLM大模型学习路线 ↓

阶段1：AI大模型时代的基础理解

• 目标：了解AI大模型的基本概念、发展历程和核心原理。

• 内容：

  • L1.1 人工智能简述与大模型起源
  • L1.2 大模型与通用人工智能
  • L1.3 GPT模型的发展历程
  • L1.4 模型工程
  • L1.4.1 知识大模型
  • L1.4.2 生产大模型
  • L1.4.3 模型工程方法论
  • L1.4.4 模型工程实践
  • L1.5 GPT应用案例

阶段2：AI大模型API应用开发工程

• 目标：掌握AI大模型API的使用和开发，以及相关的编程技能。

• 内容：

  • L2.1 API接口
  • L2.1.1 OpenAI API接口
  • L2.1.2 Python接口接入
  • L2.1.3 BOT工具类框架
  • L2.1.4 代码示例
  • L2.2 Prompt框架
  • L2.3 流水线工程
  • L2.4 总结与展望

阶段3：AI大模型应用架构实践

• 目标：深入理解AI大模型的应用架构，并能够进行私有化部署。

• 内容：

  • L3.1 Agent模型框架
  • L3.2 MetaGPT
  • L3.3 ChatGLM
  • L3.4 LLAMA
  • L3.5 其他大模型介绍

阶段4：AI大模型私有化部署

• 目标：掌握多种AI大模型的私有化部署，包括多模态和特定领域模型。

• 内容：

  • L4.1 模型私有化部署概述
  • L4.2 模型私有化部署的关键技术
  • L4.3 模型私有化部署的实施步骤
  • L4.4 模型私有化部署的应用场景

这份 LLM大模型资料 包括LLM大模型书籍、640套大模型行业报告、LLM大模型学习视频、LLM大模型学习路线、开源大模型学习教程等, 😝有需要的小伙伴，可以 扫描下方二维码领取🆓↓↓↓

​