掘金文章 - 第三章
标题（选一个）
- 《Ollama API 调用全攻略：Python/Node.js 示例代码直接抄》 ⭐ 推荐
- 《本地 AI 也能编程！Ollama API 调用实战教程》
- 《打工人进阶：用 Python 调用本地大模型，效率翻倍》
封面图建议
- 代码编辑器截图（Python/Node.js 调用示例）
- 或者 API 调用流程图
- 或者科技/AI 类图片
正文内容
# Ollama API 调用全攻略：Python/Node.js 示例代码直接抄
> 掌握 Ollama API，让你的应用与本地 AI 对话
>
> **本文是《Ollama 实战教程》第三章，免费试读** 🎁
>
> 上一篇：[Ollama 模型选择指南](https://juejin.cn/spost/7614110147108716584)
---
## 一、Ollama API 基础
### API 地址
Ollama 提供了简洁的 REST API，让你可以在自己的应用中调用本地模型。
**默认地址：** `http://localhost:11434`
### 主要端点
| 端点 | 方法 | 说明 |
|------|------|------|
| `/api/generate` | POST | 生成文本（单次完成） |
| `/api/chat` | POST | 对话（支持多轮） |
| `/api/tags` | GET | 查看已安装的模型 |
| `/api/show` | POST | 查看模型详情 |
---
### 快速测试：用 curl 调用
#### 测试 1：查看已安装的模型
```bash
curl http://localhost:11434/api/tags
返回：
{
"models": [
{
"name": "qwen2.5:7b",
"size": 4700000000,
"modified_at": "2026-03-08T18:00:00.000Z"
}
]
}
测试 2：生成文本
curl http://localhost:11434/api/generate -d '{
"model": "qwen2.5:7b",
"prompt": "你好，请用一句话介绍你自己",
"stream": false
}'
返回：
{
"model": "qwen2.5:7b",
"response": "你好！我是一个人工智能助手，可以帮你回答问题、写作、编程等。",
"done": true
}
测试 3：流式输出（实时显示）
curl http://localhost:11434/api/generate -d '{
"model": "qwen2.5:7b",
"prompt": "请用 Python 写一个 Hello World",
"stream": true
}'
返回（多行 JSON，每行一个片段）：
{"model":"qwen2.5:7b","response":"```python","done":false}
{"model":"qwen2.5:7b","response":"print","done":false}
{"model":"qwen2.5:7b","response":"(","done":false}
...
{"model":"qwen2.5:7b","response":"","done":true}
💡 提示：
stream: true适合聊天界面，可以实时显示回答；stream: false适合一次性获取完整结果。
二、Python 调用示例
环境准备
# 安装 requests 库
pip install requests
示例 1：基础调用（同步）
import requests
import json
def ask_ollama(prompt, model="qwen2.5:7b"):
"""
向 Ollama 发送问题并获取回答
"""
url = "http://localhost:11434/api/generate"
payload = {
"model": model,
"prompt": prompt,
"stream": False # 不流式，等待完整结果
}
response = requests.post(url, json=payload)
result = response.json()
return result["response"]
# 测试
if __name__ == "__main__":
answer = ask_ollama("你好，请用一句话介绍你自己")
print(answer)
运行结果：
你好！我是一个人工智能助手，可以帮你回答问题、写作、编程等。有什么我可以帮你的吗？
示例 2：流式输出（实时显示）
import requests
import json
def ask_ollama_stream(prompt, model="qwen2.5:7b"):
"""
流式输出，实时显示回答
"""
url = "http://localhost:11434/api/generate"
payload = {
"model": model,
"prompt": prompt,
"stream": True
}
response = requests.post(url, json=payload, stream=True)
for line in response.iter_lines():
if line:
result = json.loads(line)
# 实时打印每个片段
print(result.get("response", ""), end="", flush=True)
# 如果完成，打印统计信息
if result.get("done", False):
print("\n")
print(f"生成时间：{result.get('total_duration', 0) / 1e9:.2f}秒")
print(f"输出 token 数：{result.get('eval_count', 0)}")
# 测试
if __name__ == "__main__":
ask_ollama_stream("请用 Python 写一个快速排序算法")
运行效果：
def quick_sort(arr):
if len(arr) <= 1:
return arr
pivot = arr[len(arr) // 2]
left = [x for x in arr if x < pivot]
middle = [x for x in arr if x == pivot]
right = [x for x in arr if x > pivot]
return quick_sort(left) + middle + quick_sort(right)
生成时间：3.45 秒
输出 token 数：128
示例 3：多轮对话（聊天机器人）
import requests
import json
class OllamaChat:
"""
多轮对话聊天机器人
"""
def __init__(self, model="qwen2.5:7b"):
self.model = model
self.history = [] # 对话历史
def chat(self, user_input):
"""
发送消息并获取回复
"""
url = "http://localhost:11434/api/chat"
# 添加用户消息到历史
self.history.append({
"role": "user",
"content": user_input
})
payload = {
"model": self.model,
"messages": self.history,
"stream": False
}
response = requests.post(url, json=payload)
result = response.json()
# 获取 AI 回复
ai_reply = result["message"]["content"]
# 添加 AI 回复到历史
self.history.append({
"role": "assistant",
"content": ai_reply
})
return ai_reply
def clear_history(self):
"""
清空对话历史
"""
self.history = []
print("对话历史已清空")
# 测试
if __name__ == "__main__":
chat = OllamaChat()
print("🤖 聊天机器人已启动！输入 'quit' 退出，'clear' 清空历史\n")
while True:
user_input = input("你：")
if user_input.lower() == "quit":
print("再见！")
break
elif user_input.lower() == "clear":
chat.clear_history()
continue
ai_reply = chat.chat(user_input)
print(f"AI：{ai_reply}\n")
运行效果：
🤖 聊天机器人已启动！输入 'quit' 退出，'clear' 清空历史
你：你好
AI：你好！有什么我可以帮助你的吗？
你：我想学习 Python，有什么建议吗？
AI：学习 Python 是个很好的选择！以下是一些建议：
1. 从基础语法开始...
你：clear
对话历史已清空
你：quit
再见！
示例 4：带系统提示词的对话
import requests
def ask_with_system(prompt, system_prompt, model="qwen2.5:7b"):
"""
带系统提示词的对话
"""
url = "http://localhost:11434/api/chat"
payload = {
"model": model,
"messages": [
{
"role": "system",
"content": system_prompt
},
{
"role": "user",
"content": prompt
}
],
"stream": False
}
response = requests.post(url, json=payload)
result = response.json()
return result["message"]["content"]
# 测试：代码审查助手
if __name__ == "__main__":
code = """
def calculate_sum(numbers):
total = 0
for i in range(len(numbers)):
total += numbers[i]
return total
"""
system_prompt = """你是一个专业的代码审查助手。
请审查代码，指出问题并提供改进建议。"""
review = ask_with_system(
f"请审查以下代码：\n{code}",
system_prompt
)
print(review)
运行结果：
代码审查结果：
这段代码可以优化：
1. 可以使用 enumerate() 替代 range(len())
2. 可以使用 sum() 内置函数简化
优化版本：
def calculate_sum(numbers):
return sum(numbers)
三、Node.js 调用示例
环境准备
# 创建项目
mkdir ollama-node-demo
cd ollama-node-demo
npm init -y
# 安装 axios
npm install axios
示例 1：基础调用
// index.js
const axios = require('axios');
async function askOllama(prompt, model = 'qwen2.5:7b') {
const url = 'http://localhost:11434/api/generate';
const payload = {
model: model,
prompt: prompt,
stream: false
};
const response = await axios.post(url, payload);
return response.data.response;
}
// 测试
(async () => {
const answer = await askOllama('你好，请用一句话介绍你自己');
console.log(answer);
})();
示例 2：流式输出
// stream.js
const axios = require('axios');
async function askOllamaStream(prompt, model = 'qwen2.5:7b') {
const url = 'http://localhost:11434/api/generate';
const payload = {
model: model,
prompt: prompt,
stream: true
};
const response = await axios.post(url, payload, {
responseType: 'stream'
});
return new Promise((resolve, reject) => {
let fullResponse = '';
response.data.on('data', (chunk) => {
const lines = chunk.toString().split('\n');
for (const line of lines) {
if (line.trim()) {
try {
const data = JSON.parse(line);
process.stdout.write(data.response || '');
if (data.done) {
console.log('\n');
resolve(fullResponse);
}
} catch (e) {
// 忽略解析错误
}
}
}
});
response.data.on('error', reject);
});
}
// 测试
(async () => {
await askOllamaStream('请用 JavaScript 写一个快速排序算法');
})();
四、错误处理
常见错误及解决方法
| 错误 | 原因 | 解决方法 |
|---|---|---|
| Connection Refused | Ollama 服务未启动 | 运行 ollama serve |
| Model Not Found | 模型未下载 | 运行 ollama pull <模型> |
| Out of Memory | 内存不足 | 关闭其他程序或使用更小的模型 |
| Context Too Long | 输入超出上下文限制 | 减少输入长度 |
完整的错误处理示例（Python）
import requests
import time
from requests.exceptions import ConnectionError, Timeout
class OllamaClient:
"""
带错误处理的 Ollama 客户端
"""
def __init__(self, model="qwen2.5:7b", base_url="http://localhost:11434"):
self.model = model
self.base_url = base_url
self.max_retries = 3
self.retry_delay = 1 # 秒
def ask(self, prompt, stream=False):
"""
发送问题，带重试机制
"""
url = f"{self.base_url}/api/generate"
payload = {
"model": self.model,
"prompt": prompt,
"stream": stream
}
for attempt in range(self.max_retries):
try:
response = requests.post(url, json=payload, timeout=60)
# 检查 HTTP 状态码
if response.status_code == 404:
raise Exception(f"模型 '{self.model}' 未找到")
elif response.status_code != 200:
raise Exception(f"HTTP 错误：{response.status_code}")
if stream:
return self._parse_stream(response)
else:
return response.json()["response"]
except ConnectionError:
if attempt == self.max_retries - 1:
raise Exception("无法连接到 Ollama 服务")
print(f"连接失败，{self.retry_delay}秒后重试...")
time.sleep(self.retry_delay)
except Timeout:
if attempt == self.max_retries - 1:
raise Exception("请求超时")
print(f"请求超时，{self.retry_delay}秒后重试...")
time.sleep(self.retry_delay)
return None
def _parse_stream(self, response):
"""
解析流式响应
"""
import json
full_response = ""
for line in response.iter_lines():
if line:
try:
data = json.loads(line)
full_response += data.get("response", "")
if data.get("done", False):
return full_response
except json.JSONDecodeError:
continue
return full_response
def check_health(self):
"""
检查 Ollama 服务是否可用
"""
try:
response = requests.get(f"{self.base_url}/api/tags", timeout=5)
if response.status_code == 200:
models = response.json().get("models", [])
print(f"✅ Ollama 服务正常，已安装 {len(models)} 个模型")
return True
else:
print(f"❌ HTTP 错误：{response.status_code}")
return False
except Exception as e:
print(f"❌ 无法连接到 Ollama 服务：{e}")
return False
# 测试
if __name__ == "__main__":
client = OllamaClient()
# 检查服务状态
if not client.check_health():
print("\n请先启动 Ollama 服务：ollama serve")
exit(1)
# 发送问题
try:
answer = client.ask("你好，请用一句话介绍你自己")
print(f"\nAI：{answer}")
except Exception as e:
print(f"错误：{e}")
运行结果：
✅ Ollama 服务正常，已安装 1 个模型
AI：你好！我是一个人工智能助手，可以帮你回答问题、写作、编程等。
五、实战项目：命令行聊天工具
完整代码
# ollama-cli.py
import requests
import json
from datetime import datetime
class OllamaCLI:
"""
命令行聊天工具
"""
def __init__(self, model="qwen2.5:7b"):
self.model = model
self.base_url = "http://localhost:11434"
self.history = []
self.stats = {
"total_requests": 0,
"total_tokens": 0,
"start_time": datetime.now()
}
def chat(self, user_input):
"""发送消息并获取回复"""
url = f"{self.base_url}/api/chat"
self.history.append({
"role": "user",
"content": user_input
})
payload = {
"model": self.model,
"messages": self.history,
"stream": False
}
try:
response = requests.post(url, json=payload, timeout=120)
result = response.json()
ai_reply = result["message"]["content"]
self.history.append({
"role": "assistant",
"content": ai_reply
})
self.stats["total_requests"] += 1
self.stats["total_tokens"] += result.get("eval_count", 0)
return ai_reply
except Exception as e:
return f"❌ 错误：{e}"
def show_stats(self):
"""显示使用统计"""
duration = datetime.now() - self.stats["start_time"]
print(f"\n📊 使用统计")
print(f" 对话轮数：{self.stats['total_requests']}")
print(f" 生成 token 数：{self.stats['total_tokens']}")
print(f" 运行时长：{duration}")
print(f" 当前模型：{self.model}\n")
def export_history(self, filename="chat_history.md"):
"""导出对话历史为 Markdown"""
with open(filename, 'w', encoding='utf-8') as f:
f.write(f"# 对话历史\n\n")
f.write(f"模型：{self.model}\n")
f.write(f"时间：{datetime.now().strftime('%Y-%m-%d %H:%M:%S')}\n\n")
for msg in self.history:
role = "👤 用户" if msg["role"] == "user" else "🤖 AI"
f.write(f"### {role}\n\n{msg['content']}\n\n---\n\n")
print(f"✅ 对话历史已导出到：{filename}")
def clear_history(self):
"""清空对话历史"""
self.history = []
print("✅ 对话历史已清空\n")
def main():
"""主程序"""
print("=" * 50)
print("🦙 Ollama 命令行聊天工具")
print("=" * 50)
print(f"当前模型：qwen2.5:7b")
print("输入 /help 查看命令列表\n")
client = OllamaCLI()
while True:
try:
user_input = input("👤 你：").strip()
if not user_input:
continue
# 处理命令
if user_input.startswith("/"):
cmd = user_input.lower()
if cmd in ["/quit", "/exit", "/q"]:
print("👋 再见！")
break
elif cmd == "/stats":
client.show_stats()
elif cmd == "/clear":
client.clear_history()
elif cmd == "/export":
client.export_history()
elif cmd.startswith("/model"):
parts = user_input.split(maxsplit=1)
if len(parts) == 2:
client.model = parts[1]
print(f"✅ 已切换到模型：{client.model}\n")
else:
print(f"当前模型：{client.model}\n")
else:
print(f"❌ 未知命令：{user_input}\n")
else:
# 普通对话
ai_reply = client.chat(user_input)
print(f"\n🤖 AI：{ai_reply}\n")
except KeyboardInterrupt:
print("\n👋 再见！")
break
if __name__ == "__main__":
main()
使用方法
# 运行
python ollama-cli.py
# 对话示例
👤 你：你好
🤖 AI：你好！有什么我可以帮助你的吗？
👤 你：/stats
📊 使用统计
对话轮数：1
生成 token 数：32
运行时长：0:01:23
👤 你：/export
✅ 对话历史已导出到：chat_history.md
👤 你：/quit
👋 再见！
六、本章小结
恭喜！你已经学会了：
- ✅ Ollama API 基础使用
- ✅ Python 调用示例（同步/流式/多轮对话）
- ✅ Node.js 调用示例
- ✅ 错误处理与重试机制
- ✅ 实战项目：命令行聊天工具
七、课后作业
- 基础练习： 用 Python 或 Node.js 写一个简单的问答程序
- 进阶练习： 实现一个带历史记录的聊天机器人
- 挑战练习： 添加导出功能，支持 Markdown/PDF 格式
完成后可以在评论区分享你的作品！ 💬
关于作者
我是谢轩，一个喜欢折腾 AI 的打工人。
最近在做一个 Ollama 的增强工具 Ollama Tools，有 15+ Prompt 模板、对话历史管理、多模型对比等功能。
- GitHub: github.com/954215110/o…
- 在线演示: 12wc0wo892531.vicp.fun
觉得有用的话，点个 Star 支持一下！ ⭐
系列文章
- 第一章：30 分钟搭建你的第一个本地 AI 助手
- 第二章：Ollama 模型选择指南
- 第三章：Ollama API 调用全攻略（本文）
- 第四章：Web UI 开发（计划中）
想第一时间看到更新？关注我！ 🔔
付费课程预告
🎉 《Ollama 实战教程》付费课程即将上线！
| 档位 | 价格 | 内容 |
|---|---|---|
| 早鸟价 | ¥29 | 完整课程 + 源码 + 答疑群 |
| 正式价 | ¥49 | 全部内容 + 专属社群 |
| VIP 版 | ¥99 | 全部内容 + 1v1 咨询 |
早鸟名额限前 50 名！
购买方式：
- 爱发电：afdian.net/@谢轩（认证中，即将上…
- 微信/支付宝：联系作者（954215110@qq.com）
标签： #AI #大模型 #Ollama #Python #Node.js #API #教程
---
## 📤 发布步骤
1. 访问 https://juejin.cn/
2. 点"创作中心" → "创作文章"
3. 选一个标题
4. 复制上面正文内容粘贴
5. 选个封面图
6. 标签选：AI、大模型、Ollama、Python、Node.js、API、教程
7. **记得链接到第一章和第二章**（已放在文章开头）
8. 点"发布"
---
--
## �� 支持作者
如果这个系列对你有帮助，可以选择以下方式支持：
### 1️⃣ 微信/支付宝 赞赏
![微信赞赏码]
![]()
![支付宝赞赏码]
![]()
*金额不限，感谢支持！每一笔赞助都是我持续创作的动力！*
### 2️⃣ 商务合作
**技术服务：**
- �� **Ollama 部署咨询**：¥500/小时
- �� **企业定制开发**：面议（根据需求报价）
- �� **远程技术支持**：¥300/小时
**联系方式：**
- �� 微信：（你的微信号）
- �� 邮箱：（你的邮箱）
### 3️⃣ GitHub 开源项目
**项目地址：** https://github.com/954215110/954215110ollama-tools
如果对你有帮助，别忘了点个 ⭐ **Star** 支持！
---
## �� Ollama Tools 系列教程
| 章节 | 标题 | 链接 |
|------|------|------|
| 第 1 章 | Ollama 入门 | https://juejin.cn/spost/7614644305726423075 |
| 第 2 章 | API 详解 | https://juejin.cn/spost/7614110147108716584 |
| 第 3 章 | API 调用实战 | https://juejin.cn/post/7614747451153727540 |
| 第 4 章 | Web UI 开发 | https://juejin.cn/post/7614451900677849103 |
| 第 5 章 | 高级功能开发 | https://juejin.cn/post/7614708335367815183 |
| 第 6 章 | 部署与优化 | https://juejin.cn/post/7614884374551756835 |
---
**你的支持是我持续创作的动力！感谢阅读！��**
🌟 付费社群：Ollama Tools 实战圈
加入方式： 扫描下方二维码
星球福利：
- ✅ 完整源码下载（含 Web UI）
- ✅ 一对一部署答疑
- ✅ 最新 AI 工具分享
- ✅ 同行交流 + 内推机会
- ✅ 后续教程优先观看
定价： ¥199/年（早鸟价）
（上传你的知识星球二维码图片）
