Ollama Cheatsheet - najbardziej przydatne polecenia - aktualizacja 2026

Skompilowałem tę listę poleceń Ollama kilka czasem temu...

Page content

Oto lista i przykłady najbardziej przydatnych poleceń Ollama (Ollama commands cheatsheet) Złożyłem ją kilka czasów temu, ostatnio zaktualizowana w styczniu 2026. Mam nadzieję, że będzie również użyteczna dla Ciebie.

ollama cheatsheet

Ten Ollama cheatsheet koncentruje się na poleceniach CLI, zarządzaniu modelami i dostosowaniu, Ale mamy tu również niektóre curl wywołania.

Jeśli porównujesz różne lokalne rozwiązania do hostowania LLM, sprawdź naszą szczegółową analizę Ollama, vLLM, LocalAI, Jan, LM Studio i innych. Dla tych, którzy szukają alternatyw dla interfejsów wiersza poleceń, Docker Model Runner oferuje inny sposób wdrażania LLM.

Instalacja

  • Opcja 1: Pobierz z witryny
    • Odwiedź ollama.com i pobierz instalator dla swojego systemu operacyjnego (Mac, Linux lub Windows).
  • Opcja 2: Zainstaluj przez wiersz poleceń
    • Dla użytkowników Mac i Linux, użyj polecenia:
curl https://ollama.ai/install.sh | sh
  • Postępuj zgodnie z instrukcjami na ekranie i wpisz hasło, jeśli zostanie poproszony.

Wymagania systemowe

Dla poważnych obciążeń AI możesz chcieć porównać opcje sprzętu. Przetestowaliśmy porównanie wydajności NVIDIA DGX Spark vs Mac Studio vs RTX-4080 z Ollama, a jeśli rozważasz inwestowanie w wysokiej klasy sprzęty, nasze porównanie cen i możliwości DGX Spark oferuje szczegółową analizę kosztów.

Podstawowe polecenia CLI Ollama

Polecenie Opis
ollama serve Uruchamia Ollama na Twoim lokalnym systemie.
ollama create <new_model> Tworzy nowy model z istniejącego do dostosowania lub szkolenia.
ollama show <model> Wyświetla szczegóły dotyczące konkretnego modelu, takie jak jego konfiguracja i data wydania.
ollama run <model> Uruchamia wskazany model, gotowy do interakcji.
ollama pull <model> Pobiera wskazany model na Twój system.
ollama list Wyświetla wszystkie pobrane modele. To samo co ollama ls
ollama ps Pokazuje obecnie działające modele.
ollama stop <model> Zatrzymuje wskazany działający model.
ollama rm <model> Usuwa wskazany model z Twojego systemu.
ollama help Udostępnia pomoc dotyczącą dowolnego polecenia.

Zarządzanie modelami

  • Pobierz model:

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

    To polecenie pobiera wskazany model (np. Gemma 2B, lub mistral-nemo:12b-instruct-2407-q6_K) na Twój system. Pliki modeli mogą być bardzo duże, więc śledź zużycie miejsca przez modele na dysku twardym, lub ssd. Możesz nawet chcieć przenieść wszystkie modele Ollama z katalogu domowego na większy i lepszy dysk

  • Uruchom model:

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

    To polecenie uruchamia wskazany model i otwiera interaktywny REPL do interakcji. Chcesz zrozumieć, jak Ollama zarządza wieloma równoległymi żądaniami? Dowiedz się więcej na temat jak Ollama obsługuje żądania równoległe w naszej szczegółowej analizie.

  • Lista modeli:

    ollama list

    To samo co:

    ollama ls

    To polecenie wyświetla wszystkie modele pobrane na Twój system, takie jak

    $ ollama ls
NAME                                                    ID              SIZE      MODIFIED     
deepseek-r1:8b                                          6995872bfe4c    5.2 GB    2 tygodnie temu     
gemma3:12b-it-qat                                       5d4fa005e7bb    8.9 GB    2 tygodnie temu     
LoTUs5494/mistral-small-3.1:24b-instruct-2503-iq4_NL    4e994e0f85a0    13 GB     3 tygodnie temu     
dengcao/Qwen3-Embedding-8B:Q4_K_M                       d3ca2355027f    4.7 GB    4 tygodnie temu     
dengcao/Qwen3-Embedding-4B:Q5_K_M                       7e8c9ad6885b    2.9 GB    4 tygodnie temu     
qwen3:8b                                                500a1f067a9f    5.2 GB    5 tygodnie temu     
qwen3:14b                                               bdbd181c33f2    9.3 GB    5 tygodnie temu     
qwen3:30b-a3b                                           0b28110b7a33    18 GB     5 tygodnie temu     
devstral:24b                                            c4b2fa0c33d7    14 GB     5 tygodnie temu

  • Zatrzymaj model:

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

    To polecenie zatrzymuje wskazany działający model.

Zwolnienie modelu z VRAM

Gdy model jest ładowany do VRAM (pamięci GPU), pozostaje tam nawet po zakończeniu jego użycia. Aby jawnie zwolnić model z VRAM i zwolnić pamięć GPU, możesz wysłać żądanie do API Ollama z keep_alive: 0.

  • Zwolnij model z VRAM za pomocą curl:
curl http://localhost:11434/api/generate -d '{"model": "MODELNAME", "keep_alive": 0}'

Zastąp MODELNAME rzeczywistym nazwą modelu, na przykład:

curl http://localhost:11434/api/generate -d '{"model": "qwen3:14b", "keep_alive": 0}'
  • Zwolnij model z VRAM za pomocą Pythona:
import requests

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

To szczególnie przydatne jest, gdy:

  • Musisz zwolnić pamięć GPU dla innych aplikacji
  • Uruchamiasz wiele modeli i chcesz zarządzać użyciem VRAM
  • Zakończyłeś użycie dużego modelu i chcesz natychmiast zwolnić zasoby

Uwaga: Parametr keep_alive kontroluje, jak długo (w sekundach) model pozostaje załadowany do pamięci po ostatnim żądaniu. Ustawienie go na 0 natychmiastowo wywalca model z VRAM.

Dostosowywanie modeli

  • Ustawienie systemowego promptu: Wewnątrz REPL Ollama możesz ustawić systemowy prompt, aby dostosować zachowanie modelu:

    >>> /set system Dla wszystkich pytań zadawanych odpowiadaj po prostu po angielsku, unikając jak najbardziej technicznego żargonu
>>> /save ipe
>>> /bye

    Następnie uruchom dostosowany model:

    ollama run ipe

    To ustawia systemowy prompt i zapisuje model do późniejszego użycia.

  • Utwórz plik modelu niestandardowego: Utwórz plik tekstowy (np. custom_model.txt) z poniższą strukturą:

    FROM llama3.1
SYSTEM [Twoje niestandardowe instrukcje tutaj]

    Następnie uruchom:

    ollama create mymodel -f custom_model.txt
ollama run mymodel

    To tworzy dostosowany model na podstawie instrukcji w pliku.

Użycie Ollama z plikami

  • Podsumowanie tekstu z pliku:

    ollama run llama3.2 "Podsumuj zawartość tego pliku w 50 słowach." < input.txt

    To polecenie podsumowuje zawartość input.txt za pomocą wskazanego modelu.

  • Zapisywanie odpowiedzi modelu do pliku:

    ollama run llama3.2 "Opowiedz mi o energii odnawialnej." > output.txt

    To polecenie zapisuje odpowiedź modelu do output.txt.

Typowe przypadki użycia

  • Generowanie tekstu:

    • Podsumowanie dużego pliku tekstu: 
      ollama run llama3.2 "Podsumuj poniższy tekst:" < long-document.txt
    • Generowanie treści: 
      ollama run llama3.2 "Napisz krótki artykuł na temat korzyści z użycia AI w medycynie." > article.txt
    • Odpowiadanie na konkretne pytania: 
      ollama run llama3.2 "Jakie są najnowsze trendy w AI i jak wpłyną one na medycynę?"

    .

  • Przetwarzanie i analiza danych:

    • Klasyfikowanie tekstu na pozytywny, negatywny lub neutralny: 
      ollama run llama3.2 "Przeanalizuj ton tej recenzji klienta: 'Produkt jest fantastyczny, ale dostawa była wolna.'"
    • Kategoryzowanie tekstu na wstępnie zdefiniowane kategorie: Użyj podobnych poleceń do klasyfikowania lub kategoryzowania tekstu na podstawie wstępnie zdefiniowanych kryteriów.

Użycie Ollama w Pythonie

  • Zainstaluj bibliotekę Ollama dla Pythona: 
    pip install ollama
  • Generowanie tekstu przy użyciu Pythona: 
    import ollama

response = ollama.generate(model='gemma:2b', prompt='co to jest qubit?')
print(response['response'])
    Ten fragment kodu generuje tekst przy użyciu wskazanego modelu i promptu.

Dla zaawansowanej integracji w Pythonie, eksploruj użycie Web Search API Ollama w Pythonie, który obejmuje możliwości wyszukiwania w sieci, wywoływanie narzędzi i integrację z serwerami MCP. Jeśli tworzysz aplikacje oparte na AI, nasze porównanie asystentów kodowania AI mogą pomóc Ci wybrać odpowiednie narzędzia do rozwoju.

Szukasz interfejsu opartego na sieci? Open WebUI oferuje samodzielnie hostowany interfejs z możliwością RAG i wsparciem wielu użytkowników. Dla wdrożeń produkcyjnych o wysokiej wydajności rozważ vLLM jako alternatywę.

Przydatne linki

Alternatywy i porównania

Wydajność i sprzęt

Integracja i rozwój

Konfiguracja i zarządzanie