Ollama Cheatheet - nuttigste opdrachten - update 2026

Deze lijst met Ollama-commands heb ik enige tijd geleden samengesteld...

Inhoud

Hier is de lijst en voorbeelden van de meest nuttige Ollama-commands (Ollama commands cheatsheet) Ik componeerde deze lijst enkele tijd geleden, laatst bijgewerkt in januari 2026. Hopelijk is het ook nuttiig voor jou.

ollama cheatsheet

Deze Ollama cheatsheet richt zich op CLI-commands, modelbeheer en aanpassingen, Maar we hebben hier ook enkele curl oproepen.

Als je verschillende lokale LLM-hostingoplossingen vergelijkt, bekijk dan onze comprehensive vergelijking van Ollama, vLLM, LocalAI, Jan, LM Studio en meer. Voor diegenen die alternatieven voor command-line interfaces zoeken, biedt Docker Model Runner een andere aanpak voor LLM-implementatie.

Installatie

  • Optie 1: Download vanaf de website
    • Bezoek ollama.com en download de installer voor je besturingssysteem (Mac, Linux of Windows).
  • Optie 2: Installeer via de command line
    • Voor Mac- en Linux-gebruikers, gebruik de opdracht:
curl https://ollama.ai/install.sh | sh
  • Volg de op het scherm verschenen instructies en voer je wachtwoord in als dat wordt gevraagd.

Systeemvereisten

Voor serieuze AI-werkbelastingen, wil je mogelijk hardwareopties vergelijken. We hebben getest NVIDIA DGX Spark vs Mac Studio vs RTX-4080 prestaties met Ollama, en als je overweegt in te investeren in high-end hardware, biedt onze DGX Spark-prijzen en capaciteitenvergelijking gedetailleerde kostanalyse.

Basis Ollama CLI-commands

Opdracht Beschrijving
ollama serve Start Ollama op je lokale systeem.
ollama create <nieuw_model> Maakt een nieuw model vanuit een bestaand voor aanpassing of training.
ollama show <model> Toont details over een specifiek model, zoals configuratie en release datum.
ollama run <model> Start het opgegeven model, waardoor het klaar is voor interactie.
ollama pull <model> Download het opgegeven model naar je systeem.
ollama list Lijst alle gedownloade modellen. Hetzelfde als ollama ls
ollama ps Toont de momenteel actieve modellen.
ollama stop <model> Stopt het opgegeven actieve model.
ollama rm <model> Verwijdert het opgegeven model van je systeem.
ollama help Geeft hulp over elke opdracht.

Modelbeheer

  • Een model downloaden:

    ollama pull mistral-nemo:12b-instruct-2407-q6_K

    Deze opdracht downloadt het opgegeven model (bijvoorbeeld Gemma 2B, of mistral-nemo:12b-instruct-2407-q6_K) naar je systeem. De modelbestanden kunnen vrij groot zijn, dus houd de gebruikte ruimte door modellen op de harde schijf of ssd in de gaten. Je zou zelfs kunnen overwegen alle Ollama-modellen van je home directory naar een grotere en betere schijf te verplaatsen

  • Een model uitvoeren:

    ollama run qwen2.5:32b-instruct-q3_K_S

    Deze opdracht start het opgegeven model en opent een interactieve REPL voor interactie. Wil je weten hoe Ollama meerdere gelijktijdige aanvragen beheert? Lees meer over hoe Ollama parallele aanvragen beheert in onze gedetailleerde analyse.

  • Modellen lijsten:

    ollama list

    hetzelfde als:

    ollama ls

    Deze opdracht lijst alle modellen die zijn gedownload op je systeem, zoals

    $ ollama ls
NAAM                                                    ID              GROOTTE      AANGEMERKT     
deepseek-r1:8b                                          6995872bfe4c    5,2 GB    2 weken geleden     
gemma3:12b-it-qat                                       5d4fa005e7bb    8,9 GB    2 weken geleden     
LoTUs5494/mistral-small-3.1:24b-instruct-2503-iq4_NL    4e994e0f85a0    13 GB     3 weken geleden     
dengcao/Qwen3-Embedding-8B:Q4_K_M                       d3ca2355027f    4,7 GB    4 weken geleden     
dengcao/Qwen3-Embedding-4B:Q5_K_M                       7e8c9ad6885b    2,9 GB    4 weken geleden     
qwen3:8b                                                500a1f067a9f    5,2 GB    5 weken geleden     
qwen3:14b                                               bdbd181c33f2    9,3 GB    5 weken geleden     
qwen3:30b-a3b                                           0b28110b7a33    18 GB     5 weken geleden     
devstral:24b                                            c4b2fa0c33d7    14 GB     5 weken geleden

  • Een model stoppen:

    ollama stop llama3.1:8b-instruct-q8_0

    Deze opdracht stopt het opgegeven actieve model.

Model vrijgeven van VRAM

Wanneer een model is geladen in VRAM (GPU-geheugen), blijft het daar zitten zelfs na het gebruik. Om expliciet een model vrij te geven van VRAM en GPU-geheugen vrij te maken, kun je een aanvraag sturen naar de Ollama API met keep_alive: 0.

  • Model vrijgeven van VRAM met curl:
curl http://localhost:11434/api/generate -d '{"model": "MODELNAME", "keep_alive": 0}'

Vervang MODELNAME met je werkelijke modelnaam, bijvoorbeeld:

curl http://localhost:11434/api/generate -d '{"model": "qwen3:14b", "keep_alive": 0}'
  • Model vrijgeven van VRAM met Python:
import requests

response = requests.post(
    'http://localhost:11434/api/generate',
    json={'model': 'qwen3:14b', 'keep_alive': 0}
)

Dit is vooral handig wanneer:

  • Je GPU-geheugen vrij moet maken voor andere toepassingen
  • Je meerdere modellen draait en wil VRAM-gebruik beheren
  • Je een groot model hebt gebruikt en direct resources wil vrijgeven

Opmerking: De keep_alive parameter bepaalt hoe lang (in seconden) een model in het geheugen blijft geladen na de laatste aanvraag. Het instellen op 0 ontkoppelt het model direct van VRAM.

Modellen aanpassen

  • Stel systeemprompt in: Binnen de Ollama REPL kun je een systeemprompt instellen om het gedrag van het model aan te passen:

    >>> /set system Voor alle vragen die worden gesteld, antwoord in gewoon Engels en vermijd technische termen zoveel mogelijk
>>> /save ipe
>>> /bye

    Vervolgens, voer het aangepaste model uit:

    ollama run ipe

    Dit stelt een systeemprompt in en slaat het model op voor toekomstig gebruik.

  • Maak een aangepast modelbestand: Maak een tekstbestand (bijvoorbeeld custom_model.txt) met de volgende structuur:

    VAN llama3.1
SYSTEEM [Je aangepaste instructies hier]

    Vervolgens, voer uit:

    ollama create mymodel -f custom_model.txt
ollama run mymodel

    Dit maakt een aangepast model op basis van de instructies in het bestand".

Ollama gebruiken met bestanden

  • Samenvatting van tekst uit een bestand:

    ollama run llama3.2 "Samenvat de inhoud van dit bestand in 50 woorden." < input.txt

    Deze opdracht samengevat de inhoud van input.txt met behulp van het opgegeven model.

  • Log modelantwoorden naar een bestand:

    ollama run llama3.2 "Vertel me over hernieuwbare energie." > output.txt

    Deze opdracht slaat het modelantwoord op output.txt.

Algemene gebruikscases

  • Tekstgeneratie:

    • Samenvatten van een groot tekstbestand: 
      ollama run llama3.2 "Samenvat de volgende tekst:" < long-document.txt
    • Tekst genereren: 
      ollama run llama3.2 "Schrijf een korte artikel over de voordelen van het gebruik van AI in de gezondheidszorg." > artikel.txt
    • Beantwoorden van specifieke vragen: 
      ollama run llama3.2 "Wat zijn de nieuwste trends in AI en hoe zullen ze de gezondheidszorg beïnvloeden?"

    .

  • Data-verwerking en -analyse:

    • Classificeren van tekst in positief, negatief of neutraal sentiment: 
      ollama run llama3.2 "Analyseer het sentiment van deze klantrecensie: 'Het product is geweldig, maar levering was traag.'"
    • Categorieën van tekst in vooraf gedefinieerde categorieën: Gebruik vergelijkbare opdrachten om tekst te classificeren of categoriseren op basis van vooraf gedefinieerde criteria.

Ollama gebruiken met Python

  • Installeer Ollama Python-bibliotheek: 
    pip install ollama
  • Genereer tekst met behulp van Python: 
    import ollama

response = ollama.generate(model='gemma:2b', prompt='wat is een qubit?')
print(response['response'])
    Dit codefragment genereert tekst met behulp van het opgegeven model en prompt.

Voor geavanceerde Python-integratie, verkennen het gebruik van Ollama’s Web Search API in Python, wat webzoekfunctionaliteiten, tool calling en MCP-serverintegratie behandelt. Als je AI-gemotoriseerde toepassingen bouwt, kan onze AI-coderingsassistentenvergelijking je helpen het juiste hulpmiddel te kiezen voor ontwikkeling.

Zoek je naar een webgebaseerde interface? Open WebUI biedt een zelfgehoste interface met RAG-functionaliteit en multi-gebruikersondersteuning. Voor hoge prestaties in productie-implementaties, overweeg vLLM als alternatief.

Alternatieven en vergelijkingen

Prestaties en hardware

Integratie en ontwikkeling

Configuratie en beheer