本篇基于windows环境下配置

大模型工具Ollama

https://ollama.com/

下载

https://ollama.com/download
windows环境下就安装windows版本

安装

点击下载的exe文件进行傻瓜式安装

运行

去ollama官网（models模块下）找大模型的名字，然后复制ollama的运行名字
https://ollama.com/library

ollama run qwen:4b

Spring Ai 代码测试

默认ollama会监听11434端口，可以使用下面命令查看

netstat -ano | findstr 11434

可以使用ollama list指令查看本地已经下好的大模型

ollama list

加依赖

<dependency>
            <groupId>org.springframework.ai</groupId>
            <artifactId>spring-ai-ollama-spring-boot-starter</artifactId>
        </dependency>

或者使用23版以上的idea，创建spring项目的时候选最新版本，直接勾选上AI模块下的ollama模块

配置

spring:
  application:
    name: open-ai-05-ollama
  ai:
    ollama:
      base-url: http://localhost:11434
      chat:
        options:
          model: qwen:4b   

写代码

@RestController
public class OllamaController {

    @Autowired
    private OllamaChatClient ollamaChatClient;


    @RequestMapping(value = "/ai/ollama")
    public Object ollama(@RequestParam(value = "msg") String msg){
        String call = ollamaChatClient.call(msg);
        System.out.println(call);
        return call;
    }


    @RequestMapping(value = "/ai/ollama2")
    public Object ollama2(@RequestParam(value = "msg") String msg){
        ChatResponse response = ollamaChatClient.call(new Prompt(
                msg,
                OllamaOptions.create()
                        .withModel("qwen:4b")
                        .withTemperature(0.4f)));
        String content = response.getResult().getOutput().getContent();
        System.out.println(content);
        return content;
    }
}

ollama的web&Desktop

看ollama的github主页下面有很多的web&Desktop，比较流行的是Open WenUI
Open WenUI Github https://github.com/open-webui/open-webui
Open WenUI 官网：https://github.com/open-webui/open-webui

搭建部署Open WebUI有两种方式

1. Docker方式（官网推荐）
2. 源代码部署安装方式：（文档https://docs.openwebui.com/getting-started/）

Docker Desktop

windows环境下推荐使用Docker Desktop

轻量化，界面化操作Docker容器
官网下载安装包
https://www.docker.com/products/docker-desktop/
下载后傻瓜式安装即可，安装后需要重启，然后打开Docker Desktop后的界面如下：

Docker部署Open WebUI

在docker中运行Open WebUI
在命令行运行docker指令

docker run -d -p 3000:8080 --add-host=host.docker.internal:host-gateway -v D:\dev\open-webui:/app/backend/data --name open-webui --restart always ghcr.io/open-webui/open-webui:main

这是一个 docker run 命令，用于启动一个新的 Docker 容器，下面是这个命令各个部分的解释：

• docker run：这是 Docker 的命令，用于从指定的镜像启动一个新的容器；
• -d：表示在“分离”模式下运行容器，即后台运行；
• -p 3000:8080：端口映射，表示将宿主机的3000端口映射到容器的8080端口，当你访问宿主机的3000端口时，实际上会访问容器内的8080端口；
• –add-host=host.docker.internal:host-gateway：这个选项向容器的 /etc/hosts 文件中添加一条记录，这通常用于让容器能够解析到宿主机的名称，并且将其 IP 地址设置为宿主机的网关地址，这在某些网络配置中很有用，尤其是当容器需要知道宿主机的地址时；
• -v D:\dev\open-webui:/app/backend/data：卷挂载，这表示将宿主机的 D:\dev\open-webui 目录挂载到容器内的 /app/backend/data 目录，这样，容器和宿主机之间可以共享这个目录中的数据；
• –name open-webui：为容器指定一个名称，这里是 open-webui；
• –restart always：这个选项告诉 Docker 在容器退出时总是自动重启它，无论容器是因为何种原因退出，它都会自动重启；
• ghcr.io/open-webui/open-webui:main：这是你要运行的 Docker 镜像的完整名称，ghcr.io 是 GitHub Container Registry 的地址，open-webui/open-webui 是镜像的仓库和名称，main是标签，通常表示该镜像的最新或主分支版本；

第一次运行需要拉取镜像比较慢，等待执行完成

这时候打开docker desktop就可以在images模块下看到拉取到的镜像

我们在拉取镜像的时候指定了Web UI的端口为3000，所以访问3000端口即可

http://localhost:3000/

第一次会要求登录

注册并登录

上来后和Chatgpt的页面很像的。

select model的地方选择上我们通过ollama部署的模型。然后就可以开心聊天了

Docker部署Lobe Chat

官网：https://lobehub.com/
Github：https://github.com/lobehub/lobe-chat

• Built for you the Super Individual （专为你打造的超级个人）
• 现代化设计的开源 ChatGPT/LLMs
• 聊天应用与开发的UI框架； 支持语音合成、多模态、可扩展的（function call）插件系统；
• 一键免费拥有你自己的ChatGPT/Gemini/Claude/Ollama 应用；

Lobe Chat 部署

1. 使用 Vercel、Zeabur 或 Sealos 部署；
2. 使用 Docker 部署；

docker run -d -p 3210:3210 -e OPENAI_API_KEY=sk-xxxx -e ACCESS_CODE=lobe66 --name lobe-chat lobehub/lobe-chat

完整的部署文档：https://lobehub.com/zh/docs/self-hosting/start

同样的，在拉取完成后，docker desktop中也会有镜像，

同样的方式，访问我们指定的3210端口

这个需要点击设置去配置模型

可以配置OpenAI的key

注意代理的地址要在后面加上/v1
配置好后就可以访问openai

也可以配置ollama

本机默认代理地址可以不用配，模型列表中选上你的模型就可以使用了。
还可以加插件使用
也可以在本地部署更强大的模型，使用图片，文件，音频等模态

大模型的选择

• 大语言模型主要分为国外大模型 和 国内大模型；
• 国外大模型，可能受到一些限制，或者不稳定；
• 国内也有非常优秀的大模型，国内大模型排行榜：
  • https://www.superclueai.com/
  • 基于中文语言理解测评基准，包括代表性的数据集、基准(预训练)模型、语料库、排行榜；
  • 选择一系列有一定代表性的任务对应的数据集，做为测试基准的数据集，这些数据集会覆盖不同的任务、数据量、任务难度；