Clients Go para Ollama: comparação de SDKs e exemplos de Qwen3/GPT-OSS

Integre Ollama com Go: guia da SDK, exemplos e melhores práticas para produção.

Conteúdo da página

Este guia fornece uma visão abrangente dos SDKs em Go para Ollama e compara seus conjuntos de recursos.

Exploraremos exemplos práticos em Go para chamar os modelos Qwen3 e GPT-OSS hospedados no Ollama — tanto por meio de chamadas REST API brutas quanto o cliente oficial em Go — incluindo o tratamento detalhado dos modos de pensamento e não-pensamento no Qwen3.

go and ollama

Por que Ollama + Go?

O Ollama expõe uma pequena API HTTP pragmática (geralmente executando em http://localhost:11434) projetada para cargas de trabalho de geração e chat, com suporte integrado a streaming e capacidades de gerenciamento de modelos. A documentação oficial cobre minuciosamente as estruturas de solicitação/resposta de /api/generate e /api/chat e a semântica de streaming.

O Go é uma excelente escolha para construir clientes Ollama devido ao seu forte suporte da biblioteca padrão para HTTP, excelente tratamento de JSON, primitivas de concorrência nativas e interfaces estaticamente tipadas que capturam erros em tempo de compilação. Para ver como o Ollama se compara ao vLLM, Docker Model Runner, LocalAI e provedores de nuvem — incluindo quando escolher cada um — veja Hospedagem de LLM: Infraestrutura Local, Self-Hosted e em Nuvem Comparada.

Até outubro de 2025, estas são as opções de SDK em Go que você provavelmente considerará.


SDKs em Go para Ollama — o que está disponível?

SDK / Pacote Status & “dono” Escopo (Geração/Chat/Streaming) Gerenciamento de modelos (pull/list/etc.) Extras / Observações
github.com/ollama/ollama/api Pacote oficial dentro do repositório Ollama; usado pelo próprio CLI ollama Cobertura completa mapeada para REST; streaming suportado Sim Considerado o cliente Go canônico; a API reflete de perto a documentação.
LangChainGo (github.com/tmc/langchaingo/llms/ollama) Framework da comunidade (LangChainGo) com módulo LLM Ollama Chat/Compleção + streaming via abstrações do framework Limitado (gerenciamento de modelos não é o objetivo principal) Ótimo se você quiser cadeias, ferramentas e vector stores em Go; menos um SDK bruto.
github.com/swdunlop/ollama-client Cliente da comunidade Foco em chat; bons experimentos de tool-calling Parcial Projetado para experimentos com tool calling; não é uma superfície completa 1:1.
Outros SDKs da comunidade (ex.: ollamaclient, “go-ollama-sdk” de terceiros) Comunidade Varia Varia Qualidade e cobertura variam; avalie por repositório.

Recomendação: Para produção, prefira github.com/ollama/ollama/api — ele é mantido junto com o projeto principal e espelha a API REST.


Qwen3 & GPT-OSS no Ollama: pensamento vs não-pensamento (o que saber)

  • O modo de pensamento no Ollama separa o “raciocínio” do modelo da saída final quando ativado. Nossa folha de dicas do Ollama documenta as bandeiras de ativar/desativar pensamento (--think, --hidethinking) nos modelos suportados.
  • (https://www.glukhov.org/pt/llm-performance/benchmarks/qwen3-30b-vs-gpt-oss-20b/ “Qwen3:30b vs GPT-OSS:20b: Detalhes técnicos, desempenho e comparação de velocidade”) suporta alternância dinâmica: adicione /think ou /no_think em mensagens de sistema/usuário para alternar modos turno a turno; a instrução mais recente prevalece.
  • GPT-OSS: usuários relatam que desativar o pensamento (ex.: /set nothink ou --think=false) pode ser pouco confiável no gpt-oss:20b; planeje-se para filtrar/ocultar qualquer raciocínio que sua interface não deva exibir.

Parte 1 — Chamando o Ollama via REST bruto (Go, net/http)

Tipos compartilhados

Primeiro, vamos definir os tipos comuns e funções auxiliares que usaremos em nossos exemplos:

package main

import (
	"bytes"
	"encoding/json"
	"fmt"
	"io"
	"net/http"
	"time"
)

// ---- Tipos da API de Chat ----

type ChatMessage struct {
	Role    string `json:"role"`
	Content string `json:"content"`
}

type ChatRequest struct {
	Model    string        `json:"model"`
	Messages []ChatMessage `json:"messages"`
	// Alguns servidores expõem o controle de pensamento como uma bandeira booleana.
	// Mesmo que omitida, você ainda pode controlar o Qwen3 via tags /think ou /no_think.
	Think   *bool          `json:"think,omitempty"`
	Stream  *bool          `json:"stream,omitempty"`
	Options map[string]any `json:"options,omitempty"`
}

type ChatResponse struct {
	Model     string `json:"model"`
	CreatedAt string `json:"created_at"`
	Message   struct {
		Role     string `json:"role"`
		Content  string `json:"content"`
		Thinking string `json:"thinking,omitempty"` // presente quando o pensamento está ativado
	} `json:"message"`
	Done bool `json:"done"`
}

// ---- Tipos da API de Geração ----

type GenerateRequest struct {
	Model   string         `json:"model"`
	Prompt  string         `json:"prompt"`
	Think   *bool          `json:"think,omitempty"`
	Stream  *bool          `json:"stream,omitempty"`
	Options map[string]any `json:"options,omitempty"`
}

type GenerateResponse struct {
	Model     string `json:"model"`
	CreatedAt string `json:"created_at"`
	Response  string `json:"response"`           // texto final para não-stream
	Thinking  string `json:"thinking,omitempty"` // presente quando o pensamento está ativado
	Done      bool   `json:"done"`
}

// ---- Funções Auxiliares ----

func httpPostJSON(url string, payload any) ([]byte, error) {
	body, err := json.Marshal(payload)
	if err != nil {
		return nil, err
	}
	c := &http.Client{Timeout: 60 * time.Second}
	resp, err := c.Post(url, "application/json", bytes.NewReader(body))
	if err != nil {
		return nil, err
	}
	defer resp.Body.Close()
	return io.ReadAll(resp.Body)
}

// bptr retorna um ponteiro para um valor booleano
func bptr(b bool) *bool { return &b }

Chat — Qwen3 com pensamento ATIVADO (e como desativá-lo)

func chatQwen3Thinking() error {
	endpoint := "http://localhost:11434/api/chat"

	req := ChatRequest{
		Model:   "qwen3:8b-thinking", // qualquer tag :*-thinking que você tenha baixado
		Think:   bptr(true),
		Stream:  bptr(false),
		Messages: []ChatMessage{
			{Role: "system", Content: "You are a precise assistant."},
			{Role: "user",   Content: "Explain recursion with a short Go example."},
		},
	}

	raw, err := httpPostJSON(endpoint, req)
	if err != nil {
		return err
	}
	var out ChatResponse
	if err := json.Unmarshal(raw, &out); err != nil {
		return err
	}
	fmt.Println("🧠 pensando:\n", out.Message.Thinking)
	fmt.Println("\n💬 resposta:\n", out.Message.Content)
	return nil
}

// Desative o pensamento para o próximo turno por:
// (a) definir Think=false, e/ou
// (b) adicionando "/no_think" à mensagem de sistema/usuário mais recente (alternância suave do Qwen3).
// O Qwen3 respeita a instrução /think ou /no_think mais recente em chats de múltiplos turnos.
func chatQwen3NoThinking() error {
	endpoint := "http://localhost:11434/api/chat"

	req := ChatRequest{
		Model:  "qwen3:8b-thinking",
		Think:  bptr(false),
		Stream: bptr(false),
		Messages: []ChatMessage{
			{Role: "system", Content: "You are brief. /no_think"},
			{Role: "user",   Content: "Explain recursion in one sentence."},
		},
	}

	raw, err := httpPostJSON(endpoint, req)
	if err != nil {
		return err
	}
	var out ChatResponse
	if err := json.Unmarshal(raw, &out); err != nil {
		return err
	}
// Espera-se que o pensamento esteja vazio; ainda assim, trate defensivamente.
	if out.Message.Thinking != "" {
		fmt.Println("🧠 pensando (inesperado):\n", out.Message.Thinking)
	}
	fmt.Println("\n💬 resposta:\n", out.Message.Content)
	return nil
}

(A alternância suave /think e /no_think do Qwen3 é documentada pela equipe Qwen; a instrução última prevalece em chats de múltiplos turnos.)

Chat — GPT-OSS com pensamento (e uma ressalva)

func chatGptOss() error {
	endpoint := "http://localhost:11434/api/chat"

	req := ChatRequest{
		Model:  "gpt-oss:20b",
		Think:  bptr(true),   // solicita raciocínio separado se suportado
		Stream: bptr(false),
		Messages: []ChatMessage{
			{Role: "user", Content: "What is dynamic programming? Explain the core idea."},
		},
	}

	raw, err := httpPostJSON(endpoint, req)
	if err != nil {
		return err
	}
	var out ChatResponse
	if err := json.Unmarshal(raw, &out); err != nil {
		return err
	}
	// Peculiaridade conhecida: desativar o pensamento pode não suprimir totalmente o raciocínio no gpt-oss:20b.
	// Sempre filtre/oculte o pensamento na interface se não quiser exibi-lo.
	fmt.Println("🧠 pensando:\n", out.Message.Thinking)
	fmt.Println("\n💬 resposta:\n", out.Message.Content)
	return nil
}

Usuários relatam que desativar o pensamento no gpt-oss:20b (ex.: /set nothink ou --think=false) pode ser ignorado — planeje a filtragem no lado do cliente, se necessário.

Geração — Qwen3 e GPT-OSS

func generateQwen3() error {
	endpoint := "http://localhost:11434/api/generate"
	req := GenerateRequest{
		Model:  "qwen3:4b-thinking",
		Prompt: "In 2–3 sentences, what are B-Trees used for in databases?",
		Think:  bptr(true),
	}
	raw, err := httpPostJSON(endpoint, req)
	if err != nil {
		return err
	}
	var out GenerateResponse
	if err := json.Unmarshal(raw, &out); err != nil {
		return err
	}
	if out.Thinking != "" {
		fmt.Println("🧠 pensando:\n", out.Thinking)
	}
	fmt.Println("\n💬 resposta:\n", out.Response)
	return nil
}

func generateGptOss() error {
	endpoint := "http://localhost:11434/api/generate"
	req := GenerateRequest{
		Model:  "gpt-oss:20b",
		Prompt: "Briefly explain backpropagation in neural networks.",
		Think:  bptr(true),
	}
	raw, err := httpPostJSON(endpoint, req)
	if err != nil {
		return err
	}
	var out GenerateResponse
	if err := json.Unmarshal(raw, &out); err != nil {
		return err
	}
	if out.Thinking != "" {
		fmt.Println("🧠 pensando:\n", out.Thinking)
	}
	fmt.Println("\n💬 resposta:\n", out.Response)
	return nil
}

As formas REST e o comportamento de streaming vêm diretamente da referência da API Ollama.


Parte 2 — Chamando o Ollama via o SDK oficial em Go (github.com/ollama/ollama/api)

O pacote oficial expõe um Client com métodos que correspondem à API REST. O próprio CLI do Ollama usa este pacote para se comunicar com o serviço, o que o torna a aposta mais segura para compatibilidade.

Instalação

go get github.com/ollama/ollama/api

Chat — Qwen3 (pensamento ATIVADO / DESATIVADO)

package main

import (
	"context"
	"fmt"
	"log"

	"github.com/ollama/ollama/api"
)

func chatWithQwen3Thinking(ctx context.Context, thinking bool) error {
	client, err := api.ClientFromEnvironment() // respeita OLLAMA_HOST se definido
	if err != nil {
		return err
	}

	req := &api.ChatRequest{
		Model: "qwen3:8b-thinking",
		// Muitas compilações de servidor expõem o pensamento como uma bandeira de nível superior;
		// adicionalmente, você pode controlar o Qwen3 via /think ou /no_think nas mensagens.
		Think: api.Ptr(thinking),
		Messages: []api.Message{
			{Role: "system", Content: "You are a precise assistant."},
			{Role: "user",   Content: "Explain merge sort with a short Go snippet."},
		},
	}

	var resp api.ChatResponse
	if err := client.Chat(ctx, req, &resp); err != nil {
		return err
	}

	if resp.Message.Thinking != "" {
		fmt.Println("🧠 pensando:\n", resp.Message.Thinking)
	}
	fmt.Println("\n💬 resposta:\n", resp.Message.Content)
	return nil
}

func main() {
	ctx := context.Background()
	if err := chatWithQwen3Thinking(ctx, true); err != nil {
		log.Fatal(err)
	}
	// Exemplo: sem pensamento
	if err := chatWithQwen3Thinking(ctx, false); err != nil {
		log.Fatal(err)
	}
}

Chat — GPT-OSS (trate o raciocínio defensivamente)

func chatWithGptOss(ctx context.Context) error {
	client, err := api.ClientFromEnvironment()
	if err != nil {
		return err
	}
	req := &api.ChatRequest{
		Model: "gpt-oss:20b",
		Think: api.Ptr(true),
		Messages: []api.Message{
			{Role: "user", Content: "What is memoization and when is it useful?"},
		},
	}
	var resp api.ChatResponse
	if err := client.Chat(ctx, req, &resp); err != nil {
		return err
	}
	// Se você pretende ocultar o raciocínio, faça-o aqui, independentemente das bandeiras.
	if resp.Message.Thinking != "" {
		fmt.Println("🧠 pensando:\n", resp.Message.Thinking)
	}
	fmt.Println("\n💬 resposta:\n", resp.Message.Content)
	return nil
}

Geração — Qwen3 & GPT-OSS

func generateWithQwen3(ctx context.Context) error {
	client, err := api.ClientFromEnvironment()
	if err != nil {
		return err
	}
	req := &api.GenerateRequest{
		Model:  "qwen3:4b-thinking",
		Prompt: "Summarize the role of a B-Tree in indexing.",
		Think:  api.Ptr(true),
	}
	var resp api.GenerateResponse
	if err := client.Generate(ctx, req, &resp); err != nil {
		return err
	}
	if resp.Thinking != "" {
		fmt.Println("🧠 pensando:\n", resp.Thinking)
	}
	fmt.Println("\n💬 resposta:\n", resp.Response)
	return nil
}

func generateWithGptOss(ctx context.Context) error {
	client, err := api.ClientFromEnvironment()
	if err != nil {
		return err
	}
	req := &api.GenerateRequest{
		Model:  "gpt-oss:20b",
		Prompt: "Explain gradient descent in simple terms.",
		Think:  api.Ptr(true),
	}
	var resp api.GenerateResponse
	if err := client.Generate(ctx, req, &resp); err != nil {
		return err
	}
	if resp.Thinking != "" {
		fmt.Println("🧠 pensando:\n", resp.Thinking)
	}
	fmt.Println("\n💬 resposta:\n", resp.Response)
	return nil
}

A superfície do pacote oficial espelha a documentação REST e é atualizada junto com o projeto principal.


Respostas em streaming

Para streaming em tempo real, defina Stream: bptr(true) na sua solicitação. A resposta será entregue como chunks de JSON delimitados por nova linha:

func streamChatExample() error {
	endpoint := "http://localhost:11434/api/chat"
	req := ChatRequest{
		Model:  "qwen3:8b-thinking",
		Think:  bptr(true),
		Stream: bptr(true), // Ativa o streaming
		Messages: []ChatMessage{
			{Role: "user", Content: "Explain quicksort algorithm step by step."},
		},
	}

	body, _ := json.Marshal(req)
	resp, err := http.Post(endpoint, "application/json", bytes.NewReader(body))
	if err != nil {
		return err
	}
	defer resp.Body.Close()

	decoder := json.NewDecoder(resp.Body)
	for {
		var chunk ChatResponse
		if err := decoder.Decode(&chunk); err == io.EOF {
			break
		} else if err != nil {
			return err
		}
		
		// Processe pensamento e conteúdo conforme chegarem
		if chunk.Message.Thinking != "" {
			fmt.Print(chunk.Message.Thinking)
		}
		fmt.Print(chunk.Message.Content)
		
		if chunk.Done {
			break
		}
	}
	return nil
}

Com o SDK oficial, use uma função de callback para lidar com chunks de streaming:

func streamWithOfficialSDK(ctx context.Context) error {
	client, _ := api.ClientFromEnvironment()
	
	req := &api.ChatRequest{
		Model: "qwen3:8b-thinking",
		Think: api.Ptr(true),
		Messages: []api.Message{
			{Role: "user", Content: "Explain binary search trees."},
		},
	}
	
	err := client.Chat(ctx, req, func(resp api.ChatResponse) error {
		if resp.Message.Thinking != "" {
			fmt.Print(resp.Message.Thinking)
		}
		fmt.Print(resp.Message.Content)
		return nil
	})
	
	return err
}

Trabalhando com Qwen3 pensamento vs não-pensamento (orientação prática)

  • Dois controles:

    1. Uma bandeira booleana thinking suportada pelo recurso de pensamento do Ollama; e
    2. Os comandos de alternância suave do Qwen3 /think e /no_think na mensagem de sistema/usuário mais recente. A instrução mais recente governa os próximos turnos.
  • Postura padrão: não-pensamento para respostas rápidas; escale para pensamento para tarefas que precisam de raciocínio passo a passo (matemática, planejamento, depuração, análise complexa de código).

  • Interfaces de Streaming: quando o pensamento está ativado, você pode ver raciocínio/conteúdo intercalados nos quadros transmitidos — faça buffering ou renderize-os separadamente e ofereça aos usuários uma alternância de “mostrar raciocínio”. (Veja os docs da API para o formato de streaming.)

  • Conversas de múltiplos turnos: O Qwen3 lembra o modo de pensamento dos turnos anteriores. Se você quiser alterná-lo no meio da conversa, use tanto a bandeira quanto o comando de alternância suave para confiabilidade.

Observações para GPT-OSS

  • Trate o raciocínio como presente mesmo se você tentou desativá-lo; filtre no cliente se sua experiência do usuário não deve exibi-lo.
  • Para aplicativos de produção usando GPT-OSS, implemente a lógica de filtragem no lado do cliente que possa detectar e remover padrões de raciocínio, se necessário.
  • Teste sua variante específica de modelo GPT-OSS minuciosamente, pois o comportamento pode variar entre diferentes quantizações e versões.

Boas práticas e dicas de produção

Tratamento de erros e timeouts

Sempre implemente o tratamento adequado de timeouts e recuperação de erros:

func robustChatRequest(ctx context.Context, model string, messages []api.Message) (*api.ChatResponse, error) {
	// Defina um timeout razoável
	ctx, cancel := context.WithTimeout(ctx, 2*time.Minute)
	defer cancel()
	
	client, err := api.ClientFromEnvironment()
	if err != nil {
		return nil, fmt.Errorf("criando cliente: %w", err)
	}
	
	req := &api.ChatRequest{
		Model:    model,
		Messages: messages,
		Options: map[string]interface{}{
			"temperature": 0.7,
			"num_ctx":     4096, // tamanho da janela de contexto
		},
	}
	
	var resp api.ChatResponse
	if err := client.Chat(ctx, req, &resp); err != nil {
		return nil, fmt.Errorf("solicitação de chat falhou: %w", err)
	}
	
	return &resp, nil
}

Pooling e reutilização de conexões

Reutilize o cliente Ollama entre requisições em vez de criar um novo a cada vez:

type OllamaService struct {
	client *api.Client
}

func NewOllamaService() (*OllamaService, error) {
	client, err := api.ClientFromEnvironment()
	if err != nil {
		return nil, err
	}
	return &OllamaService{client: client}, nil
}

func (s *OllamaService) Chat(ctx context.Context, req *api.ChatRequest) (*api.ChatResponse, error) {
	var resp api.ChatResponse
	if err := s.client.Chat(ctx, req, &resp); err != nil {
		return nil, err
	}
	return &resp, nil
}

Configuração de ambiente

Use variáveis de ambiente para implantação flexível:

export OLLAMA_HOST=http://localhost:11434
export OLLAMA_NUM_PARALLEL=2
export OLLAMA_MAX_LOADED_MODELS=2

O SDK oficial respeita automaticamente OLLAMA_HOST via api.ClientFromEnvironment().

Monitoramento e log

Implemente log estruturado para sistemas de produção:

func loggedChat(ctx context.Context, logger *log.Logger, req *api.ChatRequest) error {
	start := time.Now()
	client, _ := api.ClientFromEnvironment()
	
	var resp api.ChatResponse
	err := client.Chat(ctx, req, &resp)
	
	duration := time.Since(start)
	logger.Printf("modelo=%s duração=%v erro=%v tokens=%d", 
		req.Model, duration, err, len(resp.Message.Content))
	
	return err
}

Conclusão

  • Para projetos em Go, github.com/ollama/ollama/api é a escolha mais completa e pronta para produção. É mantido junto com o projeto principal Ollama, usado pelo CLI oficial e fornece cobertura abrangente da API com compatibilidade garantida.

  • Para abstrações de alto nível, considere o LangChainGo quando você precisar de cadeias, ferramentas, vector stores e pipelines de RAG embora você troque algum controle de baixo nível por conveniência.

  • O Qwen3 oferece um controle limpo e confiável sobre o modo de pensamento com ambas as bandeiras e alternadores em nível de mensagem (/think, /no_think), tornando-o ideal para aplicativos que precisam tanto de respostas rápidas quanto de raciocínio profundo.

  • Para GPT-OSS, planeje sempre sanitizar a saída de raciocínio no lado do cliente quando necessário, pois a bandeira de desativar pensamento pode não ser consistentemente respeitada.

  • Em produção, implemente o tratamento de erros adequado, pooling de conexões, timeouts e monitoramento para construir aplicativos robustos impulsionados por Ollama.

A combinação do forte tipagem do Go, do excelente suporte a concorrência e da API direta do Ollama o torna um stack ideal para construir aplicativos impulsionados por IA — de chatbots simples a sistemas de RAG complexos.

Pontos-chave

Aqui está uma referência rápida para escolher sua abordagem:

Caso de Uso Abordagem Recomendada Por quê
Aplicação de produção github.com/ollama/ollama/api Suporte oficial, cobertura completa da API, mantido com o projeto principal
Pipeline RAG/cadeias/ferramentas LangChainGo Abstrações de alto nível, integrações com vector stores
Aprendizado/experimentação REST bruto com net/http Transparência total, sem dependências, educativo
Prototipagem rápida SDK Oficial Equilíbrio entre simplicidade e poder
Interface de chat em streaming SDK Oficial com callbacks Suporte a streaming integrado, API limpa

Orientação para seleção de modelo:

  • Qwen3: Melhor para aplicativos que exigem modo de pensamento controlável, conversas de múltiplos turnos confiáveis
  • GPT-OSS: Desempenho forte, mas requer tratamento defensivo da saída de pensamento/raciocínio
  • Outros modelos: Teste minuciosamente; o comportamento de pensamento varia por família de modelos

Referências e leituras adicionais

Documentação oficial

Alternativas de SDK Go

Recursos específicos de modelo

Tópicos relacionados

Para uma comparação mais ampla do Ollama com outras infraestruturas de LLM local e em nuvem, verifique nossa Hospedagem de LLM: Infraestrutura Local, Self-Hosted e em Nuvem Comparada.

Subscrever

Receba novos artigos sobre sistemas, infraestrutura e engenharia de IA.