有时候，技术就像一场冒险。那天，我泡着手磨咖啡，看着屏幕上的 spring.ai.ollama 配置文档，心想：“SpringAI 居然也能接 Ollama 模型？这也太酷了吧！”
于是，我的探索之旅，从一杯咖啡开始。
从 Ollama 说起：本地也能玩向量模型
过去我们提到向量模型（Embedding Models），总会想到 OpenAI、Azure、或者 Mistral 这些云端服务。可每次用都要联网、要 API Key、要额度，一不小心还超费。
后来我遇见了 Ollama —— 一个可以在你自己电脑上运行大模型的神器！
Ollama 的定位其实非常简单：
“让开发者在本地像调用 API 一样，运行 LLM。”
而现在，SpringAI 已经支持直接集成 Ollama 的向量模型啦！这意味着——
你可以在 Spring Boot 项目中，用和调用 OpenAI Embedding 一样的方式，创建自己的 OllamaEmbeddingModel。
想象一下，你在本地搭一个小应用，调用 Llama、Mistral、Phi、甚至 HuggingFace 的模型，做向量检索、语义搜索、知识问答……这一切都不用出网！
是不是有点小激动？
OllamaEmbeddingModel：本地的智能核心
在 SpringAI 的世界里，每种向量模型都有自己的实现类。比如：
- OpenAI 是 OpenAiEmbeddingModel
- Azure 是 AzureOpenAiEmbeddingModel
- 而 Ollama 则是——OllamaEmbeddingModel
这个类就是 Ollama 在 SpringAI 里的“接口代表”。它通过 HTTP 与本地的 Ollama 服务通信，把文本转换成向量。只要你在本地启动了 Ollama 服务（默认端口 11434），SpringAI 就能直接连上。
用一句话总结它的作用：
OllamaEmbeddingModel = “让 SpringAI 能直接使用本地模型生成向量的桥梁。”
这在很多企业级场景中都特别有意义：
数据不出内网、安全性高、部署成本低，还能离线运行。
先决条件：出发前要准备什么？
要跑起来 OllamaEmbeddingModel，我们先准备好这些工具包：
1、安装 Ollama
- 前往官网 ollama.ai，根据系统选择版本。
- 安装好后，在命令行中输入：ollama run mistral
- 这行命令能验证 Ollama 是否可用，并下载模型。
2、Spring Boot 3.3+
- SpringAI 依赖 Spring Boot 的新版本生态。
3、引入依赖
在你的 pom.xml 中添加：
4、网络 or 本地模型
- 如果你使用 HuggingFace 模型，请提前下载或确认已拉取。
自动配置：Spring Boot 的魔法就在这里
最让我喜欢的地方就是——Spring Boot 的自动配置机制。
只要依赖导入正确，SpringAI 会自动检测到你安装了 Ollama，并自动创建 OllamaEmbeddingModel Bean。
你不需要手写复杂的配置类，@Autowired 一下就能用了！
内部的流程大致如下：
- 检查 spring.ai.ollama 配置；
- 初始化 OllamaClient；
- 构建 OllamaEmbeddingModel；
- 自动注册到 Spring 容器。
所以，只要你的配置文件中有 Ollama 的信息，它就能自动工作。
这就是真正的“即插即用式 AI 模型支持”。
Embedding 属性详解
说到配置，就离不开我们开发者最爱的 application.yml。在 Ollama 模型中，主要的属性分为两类：
1. spring.ai.ollama 属性
2. spring.ai.ollama.embedding 属性
这些配置足以覆盖大部分使用场景。比如你想换模型：
一句话搞定！是不是比自己写 HTTP Client 爽多了？
运行时选项
有时候我们希望对 Ollama 的运行方式做一些调整，比如：
- 控制显存占用；
- 修改最大 token 数；
- 调整温度（生成随机性）；
- 指定自定义参数。
SpringAI 通过 OllamaOptions 让你轻松完成这些操作。
示例配置：
然后注入到模型中使用：
通过这种方式，我们可以灵活控制每次向量生成的行为，就像给模型“加个油门”。
自动拉取模型：让模型管理更智能
Ollama 的一个贴心功能，就是能自动下载（pull）模型。
SpringAI 对此也提供了三种模式：
我个人最推荐的是 when_missing，既安全又高效。
比如当你第一次调用某个模型，SpringAI 会自动帮你触发下载；后面再用，就不会重复拉取。
如果你在内网环境中，建议设为 never，避免访问外网。
支持 HuggingFace 模型？没错！
除了官方的 Ollama 模型（如 mistral、llama3），你还可以直接使用 HuggingFace 上的模型！
只需一行命令：
ollama pull hf.co/myuser/awesome-embedding-model
这意味着你可以本地加载各种开源 Embedding 模型，比如：
- all-MiniLM
- sentence-transformers
- text-embedding-3-large（非官方）
SpringAI 不做区分，它只认 model name。只要 Ollama 能运行，SpringAI 就能接。这让整个生态彻底打通：
从 HuggingFace → Ollama → SpringAI → 应用服务层
示例控制器：三行代码跑起来！
最后，来个实战小例子，让你看看 Ollama 在 Spring 中多简单：
启动应用后，访问：
返回的就是文本对应的向量数据。这串数字，可以直接喂给向量数据库（如 Milvus、PGVector、Chroma），实现语义检索、知识问答等功能。
是不是有点“端到端智能检索系统”的味道？
手动配置 OllamaEmbeddingModel（进阶玩法）
虽然 Spring Boot 自动配置已经很方便，但有时候我们需要更多定制化，比如：
- 自定义 HTTP 客户端；
- 连接远程的 Ollama 节点；
- 使用特定的模型版本。
可以手动在配置类中定义：
这样就能完全掌控模型初始化的细节。
总结：AI，本地也可以很优雅
当我第一次用 Ollama 跑向量模型的时候，真的有种“AI 私有化”的满足感。
没有延迟、没有限额、没有隐私顾虑。再加上 SpringAI 这种优雅的封装，你甚至不用写几行代码，就能拥有一套本地智能向量引擎。
想象一下：
- 企业内部知识库问答；
- 离线语义检索系统；
- 安全合规的 AI 辅助工具。
都可以用 SpringAI + Ollama 来构建！
END
我常说：“AI 不是遥远的云端能力，而是开发者手边的一杯咖啡。”
喝着咖啡，写几行 Spring Boot 配置，AI 的世界，就在你的电脑里悄悄运转起来了。
我是小米，一个喜欢分享技术的31岁程序员。如果你喜欢我的文章，欢迎关注我的微信公众号“软件求生”，获取更多技术干货！
