AI LLM 利器 Ollama 架构和对话处理流程解析

Ollama 概述

Ollama 是一个快速运行 LLM（Large Language Models，大语言模型）的简便工具。通过 Ollama，用户无需复杂的环境配置，即可轻松与大语言模型对话互动。

本文将解析 Ollama 的整体架构，并详细讲解用户在与 Ollama 进行对话时的具体处理流程。

Ollama 使用了经典的 CS（Client-Server）架构，其中：

Ollama Server 有两个核心部分：

说明：llama.cpp 是一个独立的开源项目，具备跨平台和硬件友好性，可以在没有 GPU、甚至是树莓派等设备上运行。

Ollama 本地存储默认使用的文件夹路径为 $HOME/.ollama，文件结构如下图所示：

文件可分为三类：

元数据文件，例如图中的 models/manifests/registry.ollama.ai/library/llama3.2/latest 文件内容为：

如上图所示，manifests 文件是 JSON 格式，文件内容借鉴了云原生和容器领域中的 OCI spec 规范，manifests 中的 digest 字段与 blobs 相对应。

用户与 Ollama 进行对话的大致流程如下图所示：

用户通过 CLI 命令行执行 ollama run llama3.2 开启对话（llama3.2 是一种开源的大语言模型，你也可以使用其它 LLM）。
准备阶段：
- CLI 客户端向 ollama-http-server 发起 HTTP 请求，获取模型信息，后者会尝试读取本地的 manifests 元数据文件，如果不存在，则响应 404 not found。
- 当模型不存在时，CLI 客户端会向 ollama-http-server 发起拉取模型的请求，后者会去远程存储仓库下载模型到本地。
- CLI 再次请求获取模型信息。
交互式对话阶段：
- CLI 先向 ollama-http-server 发起一个空消息的 /api/generate 请求，server 会先在内部进行一些 channel（go 语言中的通道）处理。
- 如果模型信息中包含有 messages，则打印出来。用户可以基于当前使用的模型和 session 对话记录保存为一个新的模型，而对话记录就会被保存为 messages。
- 正式进入对话：CLI 调用 /api/chat 接口请求 ollama-http-server，而 ollama-http-server 需要依赖 llama.cpp 引擎加载模型并执行推理（llama.cpp 也是以 HTTP server 的方式提供服务）。此时，ollama-http-server 会先向 llama.cpp 发起 /health 请求，确认后者的健康状况，然后再发起 /completion 请求，得到对话响应，并最终返回给 CLI 显示出来。

通过上述步骤，Ollama 完成了用户与大语言模型的交互对话。

Ollama 通过集成 llama.cpp 推理引擎，并进一步封装，将复杂的 LLM 技术变得触手可及，为开发者和技术人员提供了一个高效且灵活的工具，很好地助力了各种应用场景下的大语言模型推理与交互。

(关注我，无广告，专注技术，不煽动情绪，也欢迎与我交流)

参考资料：