步骤1：Ollama安装与配置

Ollama是一个用于本地运行大型语言模型的工具，支持多种模型。以下是安装与配置的详细步骤：

1. 下载Ollama

访问Ollama官方网站：https://ollama.com/，点击Download下载，如下图所示。

2. 安装Ollama

下载完成后，得到“OllamaSetup.exe”文件，运行该文件，点击“Install”开始安装，按照提示完成安装过程。

3. 验证安装

安装完成之后，打开一个新的命令提示符窗口，输入“ollama”命令，如果显示ollama相关的信息就证明安装已经成功了！

4. 配置模型存储路径

默认情况下，ollama模型的存储目录位于C:\Users<username>.ollama\models，在Windows系统中，若要更改Ollama模型的存放位置，需要在环境变量窗口中，点击“新建”创建一个新的系统变量或用户变量：

• 变量名：OLLAMA_MODELS

• 变量值：输入你希望设置的新模型存放路径，例如：D:\Ollama\Models

最后，重启已经打开的Ollama相关应用程序，以便新的路径生效。

步骤2：DeepSeek模型下载与运行

1. 搜索模型

访问Ollama官方网站：https://ollama.com/，在主页的搜索框中输入“deepseek”，点击搜索结果中的deepseek--r1模型。

在模型详情页面，用户可以找到运行DeepSeek-R1模型的具体命令。页面列出了DeepSeek团队开发的原始基础模型，该模型拥有6710亿（B代表十亿)参数。此外，还展示了多个经过蒸馏处理的模型，它们的参数量从1.5B到32B不等。

这些蒸馏模型通过将大型模型的高级推理能力迁移到更小的模型中，不仅提升了性能，而且在基准测试中展现出卓越的表现。这种技术的应用使得小型模型在保持高效的同时，也能够拥有接近大型模型的推理能力。

用户可以根据自己的硬件配置和需求选择适合的DeepSeek-R1模型进行下载和部署。以下是不同参数量模型的本地部署硬件要求和适用场景分析：

模型版本	显存需求（量化后）	推荐硬件	典型场景
1.5B	4-6GB	RTX 3060/T4	移动端实时交互、嵌入式设备
7B	6-8GB	RTX 3090（单卡）	中小型企业对话系统
14B	12GB	A10/A100（单卡）	本地知识库、政务服务智能客服12
32B	19-24GB	RTX 4090/A100	金融分析、代码生成
671B	640GB+	8*A100-80GB集群	超大规模科研计算、多模态推理等，需企业级硬件支持

2. 模型下载

选择好合适的模型后，打开新的命令行窗口，输入相应命令并运行，此处选择1.5B模型，命令如下：

ollama run deepseek-r1:1.5b

如果本地没有对应模型，Ollama 会先下载该模型，下载完成后，模型会启动并进入交互模式，你可以直接与模型对话，如下图所示：

如果你希望提前下载模型而不运行，可以使用 ollama pull 命令：

ollama pull deepseek-r1:1.5b

步骤3：创建 Spring Boot 项目

Spring Initializr是一个在线工具，用于快速生成一个新的 Spring Boot 项目。它提供了一个直观的 web 界面，使用户能够选择所需的依赖项、项目元数据以及其他配置选项，然后生成一个压缩的项目包，可以直接下载并使用。

首先访问Spring Initializr官方地址：https://start.spring.io/，在打开的页面中对项目进行基本的设置。

• 配置项目信息

  • 指定项目类型、编程语言及构建工具，分别对应页面中的Project、Language、Spring Boot选项，构建工具包括Maven 、 Gradle，编程语言可以选择Java、Kotlin 或 Groovy，此处选择Java语言，Maven工具，Spring Boot 版本采用3.4.3。

  • 指定项目的元信息，对应页面中的 Project Metadata，此选项用于定义和描述项目的元数据。它们的主要目的是帮助唯一地标识一个项目，并提供有关项目的基本信息，包括 Group、Artifact、Name、Description 和 Package name等，此处使用默认设置，读者可根据自己的情况进行修改。

• 指定项目的打包方式，对应页面中的Packaging选项，有JAR和WAR两种选择，此处选择Jar。

• 指定Java版本，此处使用17。

• 添加Ollama依赖：单击右侧的“ADD DEPENDENCIES”选项，可以在项目中添加额外的依赖。搜索Ollama添加依赖，这是Spring AI对Ollama的实现支持，如下图所示。

单击Generate按钮，它将生成一个包含你选择的所有依赖和配置的 ZIP 文件。下载并解压 ZIP 文件。然后，可以使用IDEA打开和运行它，上述所有配置信息如下图所示。

步骤3：调用模型

1. 配置Ollama信息

将上个步骤中下载的demo.zip文件解压至任意目录，使用IDEA打开项目，在生成的项目目录中，查看pom.xml，可以看到核心依赖：

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

如果你要在现有项目中集成的话，就可以直接添加这个依赖即可。

打开项目配置文件application.properties，配置Ollama的相关信息，如下：

spring.ai.ollama.base-url=http://localhost:11434spring.ai.ollama.chat.model=deepseek-r1:1.5b

• spring.ai.ollama.base-url: Ollama的API服务地址，如果部署在非本机，就需要做对应的修改

• spring.ai.ollama.chat.model: 要调用的模型名称，对应上一节ollama run命令运行的模型名称

2. 编写代码调用模型

打开test目录的DemoApplicationTests文件，尝试调用Ollama中的deepseek-r1模型，这里尝试实现一个翻译的功能，代码如下：

package com.example.demo;
import org.junit.jupiter.api.Test;import org.springframework.ai.ollama.OllamaChatModel;import org.springframework.beans.factory.annotation.Autowired;import org.springframework.boot.test.context.SpringBootTest;

@SpringBootTestclass DemoApplicationTests {	@Autowired	private OllamaChatModel ollamaChatModel;
	@Test	void contextLoads() {	}
	@Test	public void testChatModel() {		String prompt = """                你是一位资深的双语专家，擅长在中文与英文之间精准转换。当我提供英文内容时，你负责将其准确、流畅地译为中文；反之，当我给出中文文本，你则高效地将其转化为地道的英文表达。                """;		String message = """                Ollama now supports tool calling with popular models such as Llama 3.1.                This enables a model to answer a given prompt using tool(s) it knows about,                making it possible for models to perform more complex tasks or interact with the outside world.                """;
		String result = ollamaChatModel.call(prompt + ":" + message);
		System.out.println(result);	}
}

这段代码的主要功能是测试 OllamaChatModel 的翻译能力。它通过 Spring Boot 的测试框架加载应用程序上下文，注入 OllamaChatModel 的实例，并调用其 call 方法，将一段英文文本翻译成中文。测试结果会打印到控制台。

运行单元测试，结果如下:

<think>好，我收到一个用户的请求，需要将一段英文翻译成中文。内容是关于Ollama模型支持工具调用的功能。首先，我得仔细阅读原文，确保理解每个术语的意思。
“Ollama now supports tool calling with popular models such as Llama 3.1.” 这里，“Ollama”指的是一个AI模型或工具。“supports tool calling”翻译成“支持工具调用”，意思是支持使用工具来操作或执行任务。“with popular models”意味着使用的是流行的模型，这里的“popular models”可能是指常见的模型系列。
接下来的句子：“This enables a model to answer a given prompt using tool(s) it knows about, making it possible for models to perform more complex tasks or interact with the outside world.” 这里有几个关键点。“answer a given prompt”可以翻译为“回答给定的提示”，表示使用模型来回答问题。“knows about”是“知道”或“了解”的意思，具体在上下文中应该是“它知道”。“tool(s) it knows about”是“在它所知方面的一些工具”。接下来的部分“making it possible for models to perform more complex tasks or interact with the outside world.” 翻译为“让模型能够执行更复杂的任务或与外部世界进行交互”，这解释了支持工具调用后，模型可以执行更多复杂任务或与其他世界交互。
整个翻译要保持原文的逻辑和专业性，确保技术术语准确。同时，注意句子的流畅性和自然ness，避免直译带来的生硬感。比如，“support tool calling”可以用“支持工具调用”，而“popular models”则用“流行的模型”来传达意思。
最后，检查一下整个翻译是否涵盖了所有信息，并且没有遗漏任何关键点，确保准确传达出Ollama的功能和优势。</think>
Ollama 现在支持流行模型如 Llama 3.1 这样工具调用的功能。通过使用这些工具，模型能够回答给定的提示，并进行更复杂的任务或与外部世界进行交互。

可以看到结果响应分成两部分，先是<think>标签包含的内容，这是模型根据提供的提示，生成了一个思考的过程，最后才输出了翻译后的结果。