Ollama核心概念与架构
先别急着装，搞清楚 Ollama 的内部结构
上一篇选定了 Ollama + vLLM 双栈方案，这一篇正式进入 Ollama 的世界。
不过先别急着装。很多人第一次接触 Ollama，都是在网上看到一句话教程：终端里敲 ollama run qwen3，模型就跑起来了，还能聊天。体验很好，几分钟搞定。但接下来你会遇到一连串问题——
关掉终端窗口，模型还在不在？跑着呢还是停了？你的 Java 项目要怎么跟它对接？ollama serve 和 ollama run 到底啥关系？模型文件存哪了？同时跑 Chat 和 Embedding 两个模型会不会互相抢显存？别人文章里写的 OLLAMA_KEEP_ALIVE=-1 又是控制什么的？
这些问题网上教程不会讲，Ollama 的官方文档又散落在 GitHub README、FAQ、API 文档好几个地方，你得来回翻才能拼出全貌。
所以这一篇的定位，不是教你敲命令，而是帮你建立一张 Ollama 的完整认知地图。类比一下：你第一次用 Docker 之前，最好先搞清楚 image、container、Dockerfile、daemon 这些概念是什么关系，而不是上来就 docker run——跑是跑起来了，出了问题完全不知道该查哪里。Ollama 也是同样的道理。
下一篇再动手安装、拉模型、写代码。这一篇把概念打通，下一篇你跟着操作时就不会懵。
Ollama 是什么：一句话定位
上一篇讲过，本地部署中间件分两层：底层是推理引擎，负责算得快；上层是服务框架，负责用得爽。
Ollama 是上层服务框架，不是推理引擎。 它底层的推理引擎是 llama.cpp——那个用纯 C++ 写出来、让大模型能在普通电脑上跑起来的项目（最早是在 MacBook 上验证的，现在已经支持 macOS、Linux、Windows 全平台，CPU、NVIDIA GPU、Apple Silicon、AMD GPU 都能跑）。Ollama 做的事情是把 llama.cpp 的能力包装成一个好用的产品：模型仓库帮你管理模型，一条命令启动服务，REST API 让你的代码能调，CLI 工具让你在终端里交互。
用 Docker 来类比最直观。Docker 底层的容器运行时是 containerd + runc，但你日常打交道的只有 Docker CLI 和 Docker Daemon。你不需要知道 runc 怎么创建 cgroup，你只需要 docker pull 拉镜像、docker run 跑容器。Ollama 跟 Docker 的关系结构几乎一模一样——你不需要操心 llama.cpp 怎么做矩阵乘法，你只需要 ollama pull 拉模型、ollama run 跑推理。
这个类比不是我硬凑的，Ollama 的设计哲学就是对标 Docker。下面这张对照表能帮你快速建立认知锚：
| 维度 | Docker | Ollama |
|---|---|---|
| 后台服务进程 | Docker Daemon（dockerd） | Ollama Server（ollama serve） |
| 客户端工具 | Docker CLI（docker） | Ollama CLI（ollama） |
| 远程仓库 | Docker Hub | Ollama Registry（ollama.com/library） |
| 配置文件 | Dockerfile | Modelfile |
| 拉取命令 | docker pull nginx | ollama pull qwen3 |
| 运行命令 | docker run nginx | ollama run qwen3 |
| 版本标识 | nginx:1.25（image tag） | qwen3:32b（model tag） |
| 本地存储路径 | /var/lib/docker/ | ~/.ollama/models/ |
| 删除命令 | docker rmi nginx | ollama rm qwen3 |
| 查看本地列表 | docker images | ollama list |
记住这张表，后面每讲到一个 Ollama 的概念，你脑子里都能找到一个 Docker 的对应物。
Ollama 的架构：Client-Server 模式
Ollama 的运行架构非常标准：一个后台服务进程 + 多种客户端。理解这个架构是理解后面所有概念的基础。
1. ollama serve：后台服务进程
Ollama 启动后是一个常驻的 HTTP 服务，默认监听在 127.0.0.1:11434。这个进程是整个 Ollama 的核心，它负责四件事：
- 加载模型：把 GGUF 权重文件从磁盘加载到显存（GPU）或内存（CPU）
- 接收请求：通过 REST API 接收推理请求
- 调度推理：调用底层 llama.cpp 执行实际的推理计算
- 返回结果：把生成的文本通过 HTTP 响应返回给客户端
macOS 和 Windows 安装桌面版之后，ollama serve 会随系统自动启动，你在状态栏能看到一个小羊驼图标。Linux 上通过官方安装脚本安装后，会自动配好 systemd 服务并启动；如果你是手动下载二进制文件安装的，则需要自己配 systemd 或手动启动。
不管哪种方式，本质上都是在你的机器上跑了一个 HTTP Server。
2. CLI 命令：客户端调服务端
ollama run、ollama pull、ollama list、ollama rm、ollama show 这些命令看起来像是在直接操作模型，实际上它们每一个都是 HTTP 客户端——往 ollama serve 暴露的 API 发 HTTP 请求，拿到响应后格式化输出到终端。
这意味着什么？意味着你完全可以不用 CLI，直接用 curl、Postman、OkHttp 或者任何 HTTP 客户端去调 Ollama 的 API。CLI 只是官方提供的一个方便的客户端而已，不是唯一的入口。
举个例子，ollama list 这条命令背后做的事情，等价于：
curl http://localhost:11434/api/tags
ollama pull qwen3 背后做的事情，等价于：
curl -X POST http://localhost:11434/api/pull -d '{"name": "qwen3"}'
理解了这一层，你就不会再困惑一个常见的问题：我关掉了 ollama run 的终端窗口，模型是不是就停了？答案是不会——ollama run 只是一个交互式的 REPL 客户端，关掉它只是关掉了聊天窗口。真正在运行模型的是 ollama serve 后台进程，它还活着，模型还在显存里，你的 Java 应用照样能调 API。
3. 一张架构图
下面这张图把 Ollama 的 Client-Server 架构画清楚：
从图里可以看出，不管你是用 CLI、curl 还是 Java 代码，走的都是同一条路：HTTP 请求到 Ollama Server，Server 调度 llama.cpp 引擎在 GPU 或 CPU 上执行推理。
模型管理：拉取、存储、版本
搞清楚了架构，下一个问题是模型怎么管理。Ollama 在这一块的设计思路跟 Docker 管理镜像几乎一样。
1. ollama pull 拉了什么
很多人以为 ollama pull 只是下载了一个权重文件。实际上，拉下来的是一个完整的模型包，包含两部分：
- GGUF 文件：上一篇讲过，GGUF 是 llama.cpp 发明的单文件格式，把权重、tokenizer 词表、模型元数据全 打包在一个文件里。这是模型的核心，体积最大，也是推理时实际加载的文件
- Ollama 配置层：chat template（对话格式模板）、默认推理参数（temperature、num_ctx 等）、默认 system prompt、license 等。这些以独立的 blob 存储，可以覆盖 GGUF 文件内嵌的默认值
Ollama 的存储结构借鉴了 Docker 镜像的分层设计：一个 manifest 文件指向多个 blob，GGUF 权重是最大的那个 blob，模板、参数、system prompt 各自是一个小 blob。ollama pull 把这些全拉下来，所以之后就能直接 ollama run，不需要你自己去配 chat template、调参数。这跟 docker pull 拉下来的镜像包含了运行环境、依赖库、应用代码，docker run 就能直接跑，是同一个逻辑。
对比一下从 Hugging Face 手动下载 GGUF 文件的体验：现在主流的 GGUF 文件已经内嵌了 tokenizer、chat template 和基础元数据，用 llama.cpp 加载时能自动识别。但推理参数（num_ctx 设多大、temperature 设多少、repeat_penalty 要不要开）还得你自己定，想固化 system prompt 也要额外配置。Ollama 把这些选择题全帮你做好了——拉下来就是一套经过调试的默认配置，开箱即用。
2. 模型存储在哪里
ollama pull 下来的模型默认存在这些位置：
| 操作系统 | 默认路径 |
|---|---|
| macOS | ~/.ollama/models |
| Linux（用户安装） | ~/.ollama/models |
| Linux（系统服务安装） | /usr/share/ollama/.ollama/models |
| Windows | %USERPROFILE%\.ollama\models |
模型文件动辄几个 GB 到几十个 GB。一个 7B 的 Q4 量化模型大约 45GB，32B 的 Q4 量化大约 1820GB。如果你拉了好几个模型，磁盘空间会消耗得很快。
遇到磁盘空间紧张、或者想把模型放到一块大容量 SSD 上，可以通过 OLLAMA_MODELS 环境变量自定义存储路径。这个变量下一节讲环境变量时会详细说。