《从零搭建RAG系统第5天：安装Ollama》

大家好，我是老赵，一名程序员老兵，平时主要从事企业级应用开发，最近打算从零学习、并落地一套完整的RAG检索增强生成系统。不搞虚头理论，全程边学边做，把遇到的问题、踩过的坑、能直接跑通的代码，全都真实记录下来。

前四天我们完成了环境搭建、Milvus部署、文档向量化以及检索匹配并做了结果优化。今天第5天的目标是安装Ollama并在本地运行模型，为RAG的生成环节提供本地LLM服务。

一、今日目标

• 安装Ollama；
• 拉取并运行 qwen3:4b 模型；
• 能通过本地 API 发起推理请求并与检索层对接的基本思路验证。

二、前置准备

• 操作系统：Windows 10+
• 基础工具：curl、git、可选的 docker。  
• 硬件：磁盘与内存足够（模型文件通常较大），如计划使用GPU推理需安装对应驱动与CUDA。  
• 网络：首次拉取模型需要访问Ollama的模型源或镜像仓库，确保网络通畅或准备离线模型文件。

三、安装 Ollama（可选路径）

官方安装：请从Ollama官方网站下载windows安装包并进行安装ollama.com/download/wi…，安装后在命令行中运行  ollama --version， 确认ollama可用。  

四、拉取并运行 qwen3:4b（示例流程）

以下命令为通用示例，实际命令请以当前Ollama CLI/镜像为准：

• 拉取模型（示例）：

ollama pull qwen3:4b

• 交互运行（临时会话）：

ollama run qwen3:4b

以下截图展示了运行的结果：

• 以服务模式启动以供HTTP调用：

# 如果 Ollama 提供守护进程或 listen 参数，按官方方法启动并本地端口
ollama serve --port 11434

说明：模型名称请严格使用官方 ID（本文使用 qwen3:4b 作为示例）。如出现“找不到模型”，请运行 ollama list 或查看官方模型仓库确认可用模型 ID。

五、通过HTTP调用示例

Ollama通过端口11434提供HTTP API，以下为示例请求（请根据实际API字段调整）：

curl -s -X POST "http://localhost:11434/api/generate" 
 -H "Content-Type: application/json" 
 -d '{
  "model": "qwen3:4b",
  "prompt": "请用中文简要介绍向量检索的基本流程。",
  "max_tokens": 200
 }'

Python 示例（requests）：

import requests
url = "http://localhost:11434/api/generate"
payload = {
    "model": "qwen3:4b",
    "prompt": "请用中文列出 RAG 流程步骤。",
    "max_tokens": 200,
    "stream": False,
}
resp = requests.post(url, json=payload, timeout=300)
print(resp.json())

说明：上面 prompt、max_tokens 等字段为示例，具体字段名请参照当前 Ollama版本的API文档。

六、性能与资源建议

• 若要低延迟并发推理，优先使用 GPU；  
• 为模型和缓存预留足够磁盘空间和内存；  
• 对高并发请求采用推理队列或限流，避免OOM；  
• 根据业务选择合适模型大小，qwen3:4b 属中等规模，生产场景可根据成本/延迟选择更合适的模型。

七、常见问题与排查

• 模型拉取失败：检查网络、认证与磁盘空间；  
• 内存不足或OOM：降低并发、换用GPU、或使用更小模型；  
• 服务端口不可达：确认服务已启动并正确端口，检查防火墙；

今日小结

• 本文介绍了在本地安装Ollama、拉取并运行 qwen3:4b 的典型流程，为 RAG的生成环节打好基础。

明日计划（建议）

• 将检索返回的top-k片段拼接与Prompt模板化，做成可复用组件，然后调用LLM生成问题答案，实现RAG的完整问答流程。

我是老赵，一名程序员老兵，全程真实记录RAG从零搭建全过程。本系列会持续更新，最后整理成完整视频教程+源码+部署手册。

关注 老赵全栈实战，不迷路，一起从0落地RAG系统。