Ollama部署LFM2.5-1.2B-Thinking：Python调用Ollama API实现自动化文本生成教程

你是不是经常需要写一些重复性的文字内容？比如每天要写工作日报、回复类似的客户咨询、或者为产品生成一些描述文案。手动写不仅耗时，还容易灵感枯竭。今天，我就来带你用Python和一个小巧但强大的AI模型，把这些重复劳动自动化。

这个模型叫LFM2.5-1.2B-Thinking，它最大的特点就是“小而强”。别看它只有12亿参数，但经过特殊优化，在文本生成和理解上的表现，能媲美一些大得多的模型。更重要的是，它非常轻量，用Ollama部署后，你可以轻松地通过Python代码来调用它，让它成为你的“自动化写作助手”。

通过这篇教程，你将学会如何一步步部署这个模型，并编写Python脚本，让它帮你自动生成邮件、报告、创意文案，甚至进行简单的对话。整个过程不需要复杂的机器学习知识，跟着做就行。

1. 环境准备与模型部署

在开始写代码之前，我们需要先把模型“请”到我们的电脑上。这里我们用Ollama，它是一个非常方便的本地大模型管理工具，就像Docker之于容器，Ollama之于大模型，让你一键拉取和运行。

1.1 安装Ollama

首先，确保你的电脑上已经安装了Ollama。如果还没安装，访问Ollama官网，根据你的操作系统（Windows、macOS或Linux）下载对应的安装包，运行安装程序即可。安装完成后，打开终端或命令提示符，输入 ollama --version，如果能看到版本号，说明安装成功。

1.2 拉取LFM2.5-1.2B-Thinking模型

模型部署就是一行命令的事。打开你的终端，输入以下命令：

ollama pull lfm2.5-thinking:1.2b

这行命令会从Ollama的模型库中下载“lfm2.5-thinking:1.2b”这个模型。下载时间取决于你的网速，模型大小在1GB左右，通常几分钟就能完成。下载时，终端会显示进度条。

1.3 运行模型服务

下载完成后，我们需要让模型在后台运行起来，并提供一个我们可以访问的接口（API）。在终端中输入：

ollama run lfm2.5-thinking:1.2b

运行成功后，你会看到模型加载完毕的提示，并且终端会进入一个交互式对话界面。不过，为了用Python调用，我们需要让模型以API服务的方式运行。

更常用的方式是直接启动Ollama服务，它默认会在本地的 11434 端口提供API。通常安装Ollama后，服务会自动启动。你可以在浏览器中访问 http://localhost:11434，如果看到Ollama的API欢迎信息，说明服务已经正常运行。

至此，模型部署部分就完成了。你的电脑上现在有一个正在运行的、能力不错的文本生成AI，就等着用代码去指挥它了。

2. Python调用Ollama API基础

现在模型服务已经就绪，就像一个24小时待命的助手。我们接下来要用Python这位“指挥官”，通过一套简单的指令（API）来给助手派活。这套指令的核心就是向 http://localhost:11434 这个地址发送特定的请求。

2.1 安装必要的Python库

我们主要使用 requests 库来发送HTTP请求。如果你还没有安装，打开终端，用pip安装一下：

pip install requests

2.2 你的第一个API调用：生成文本

让我们从一个最简单的例子开始，让模型生成一段关于“人工智能未来”的短文。

创建一个新的Python文件，比如叫做 first_call.py，然后写入以下代码：

import requests
import json

# 定义Ollama API的地址
url = "http://localhost:11434/api/generate"

# 准备请求的数据，告诉模型我们要干什么
payload = {
    "model": "lfm2.5-thinking:1.2b",  # 指定我们刚部署的模型
    "prompt": "用一段话简述人工智能的未来发展趋势。",  # 给模型的指令或问题
    "stream": False  # 设为False，让API一次性返回全部结果，方便初学者处理
}

# 设置请求头，告诉服务器我们发送的是JSON格式的数据
headers = {
    'Content-Type': 'application/json'
}

# 发送POST请求
response = requests.post(url, headers=headers, data=json.dumps(payload))

# 检查请求是否成功
if response.status_code == 200:
    # 解析返回的JSON数据
    result = response.json()
    # 打印模型生成的回复
    print("模型回复：")
    print(result.get('response', '未收到回复'))
else:
    print(f"请求失败，状态码：{response.status_code}")
    print(response.text)

保存并运行这个脚本：

python first_call.py

如果一切正常，你会在终端看到模型生成的一段关于AI未来的文字。恭喜你，你已经成功用代码调用了AI模型！这个过程本质上就是：你的代码把一个问题（prompt）打包成JSON格式，通过HTTP协议发送给本地的Ollama服务，服务让模型思考并生成答案，然后再把答案打包回来给你。

2.3 理解API的关键参数

在上面的 payload 字典里，我们用了几个参数，它们是控制模型行为的关键：

• model: 指定使用哪个模型。必须和你用 ollama pull 拉取的名称一致。
• prompt: 这是最重要的部分，就是你给模型的“任务描述”。你问得越清楚，它答得越好。
• stream: 控制响应方式。False 表示一次性返回所有内容；True 则表示像打字一样流式返回，适合需要实时显示的场景。
• options: 一个字典，用于设置更详细的模型参数，比如：
  • num_predict: 控制生成文本的最大长度（token数）。
  • temperature: 控制创造性。值越高（如0.8），回答越随机、有创意；值越低（如0.2），回答越确定、保守。
  • top_p: 另一种控制随机性的方式。

一个使用了更多选项的例子：

payload = {
    "model": "lfm2.5-thinking:1.2b",
    "prompt": "写一首关于春天的五言绝句。",
    "stream": False,
    "options": {
        "num_predict": 50,  # 最多生成50个token，足够一首绝句
        "temperature": 0.7  # 保持一定的创造性
    }
}

掌握了这些基础，你就已经可以命令这个AI模型做很多文字工作了。接下来，我们看看如何把它应用到更实际的自动化场景中。

3. 实现自动化文本生成任务

基础打好了，现在我们来玩点真的。让AI不只是回答一个问题，而是系统地帮我们处理一些实际任务。我会通过三个常见的场景来展示如何构建自动化脚本。

3.1 场景一：自动生成每日工作日报

很多朋友每天下班前都要写日报，内容结构都差不多。我们可以让AI根据一天的工作内容，自动生成格式规范的日报。

创建一个文件 auto_daily_report.py：

import requests
import json
from datetime import datetime

def generate_daily_report(tasks_completed, next_day_plan, issues=None):
    """
    根据输入的工作内容，生成日报。
    
    参数:
    tasks_completed: 字符串，描述今日完成的工作。
    next_day_plan: 字符串，描述明日计划。
    issues: 字符串（可选），描述遇到的问题或风险。
    """
    url = "http://localhost:11434/api/generate"
    
    # 构建一个详细的提示词（Prompt），告诉模型我们的具体需求
    prompt = f"""
    请根据以下信息，生成一份专业、简洁的每日工作日报。
    
    **今日完成工作：**
    {tasks_completed}
    
    **明日工作计划：**
    {next_day_plan}
    """
    
    if issues:
        prompt += f"""
    
    **遇到的问题/风险：**
    {issues}
        """
    
    prompt += """
    
    请以以下格式组织日报内容：
    1. 今日工作总结（分点列出核心完成事项）
    2. 明日工作计划（分点列出）
    3. 问题与风险（如有）
    4. 备注（可包含需要的支持或其他事项）
    
    语言要求：中文，专业但不过于正式。
    """
    
    payload = {
        "model": "lfm2.5-thinking:1.2b",
        "prompt": prompt,
        "stream": False,
        "options": {"num_predict": 400}  # 日报可能需要较长篇幅
    }
    
    headers = {'Content-Type': 'application/json'}
    
    try:
        response = requests.post(url, headers=headers, data=json.dumps(payload))
        response.raise_for_status()  # 如果请求失败则抛出异常
        result = response.json()
        return result.get('response', '生成失败')
    except requests.exceptions.RequestException as e:
        return f"请求API时出错：{e}"

# 示例：模拟输入一天的工作
if __name__ == "__main__":
    today_tasks = """
    - 完成了用户登录模块的API接口开发与单元测试。
    - 修复了首页数据加载缓慢的性能问题，优化了数据库查询。
    - 参与了产品需求评审会，明确了下一迭代功能范围。
    """
    
    tomorrow_plan = """
    - 开始开发用户个人中心页面。
    - 与设计师核对UI细节。
    - 编写本周技术分享文档。
    """
    
    current_issues = "等待后端提供新的数据接口，可能会影响个人中心开发进度。"
    
    print(f"生成 {datetime.now().strftime('%Y-%m-%d')} 工作日报...\n")
    report = generate_daily_report(today_tasks, tomorrow_plan, current_issues)
    print(report)

运行这个脚本，你就会得到一份结构清晰、语言得体的工作日报。你可以把这个脚本稍加改造，比如从任务管理工具（如Jira、Trello）自动读取任务，实现真正的全自动日报生成。

3.2 场景二：批量处理与生成产品描述

如果你是电商运营或内容创作者，经常需要为大量产品撰写吸引人的描述。手动写效率低，用AI批量处理就快多了。

假设我们有一个产品信息列表，需要为每个产品生成一段营销文案。

创建文件 batch_product_description.py：

import requests
import json
import time

def generate_product_desc(product_name, key_features, target_audience):
    """
    为单个产品生成描述文案。
    """
    url = "http://localhost:11434/api/generate"
    
    prompt = f"""
    你是一名专业的电商文案写手。请为以下产品创作一段吸引人的商品描述，用于电商平台详情页。
    
    产品名称：{product_name}
    核心卖点：{key_features}
    目标客户：{target_audience}
    
    要求：
    1. 开头用一句吸引眼球的口号。
    2. 突出产品核心卖点和能解决的用户痛点。
    3. 语言生动、有感染力，能激发购买欲。
    4. 结尾加上行动号召（例如：立即购买，享受...）。
    5. 字数在150-200字左右。
    """
    
    payload = {
        "model": "lfm2.5-thinking:1.2b",
        "prompt": prompt,
        "stream": False,
        "options": {"temperature": 0.8, "num_predict": 300}  # 温度稍高，让文案更有创意
    }
    
    headers = {'Content-Type': 'application/json'}
    
    try:
        response = requests.post(url, headers=headers, data=json.dumps(payload))
        response.raise_for_status()
        result = response.json()
        return result.get('response', '').strip()
    except requests.exceptions.RequestException as e:
        print(f"为产品【{product_name}】生成描述时出错：{e}")
        return None

# 示例：批量处理产品列表
if __name__ == "__main__":
    product_list = [
        {
            "name": "无线降噪蓝牙耳机",
            "features": "主动降噪，续航30小时，佩戴舒适，Hi-Fi音质",
            "audience": "通勤族、学生、音乐爱好者"
        },
        {
            "name": "智能保温杯",
            "features": "精准温度显示，长效保温保冷，轻触提醒喝水",
            "audience": "上班族、养生人群、户外旅行者"
        },
    ]
    
    all_descriptions = []
    for idx, product in enumerate(product_list):
        print(f"正在生成产品 [{idx+1}/{len(product_list)}]: {product['name']}")
        desc = generate_product_desc(product['name'], product['features'], product['audience'])
        if desc:
            all_descriptions.append({
                "product_name": product['name'],
                "description": desc
            })
            print(f"  生成成功！\n")
        else:
            print(f"  生成失败。\n")
        
        time.sleep(1)  # 每次请求间隔1秒，避免对本地服务造成压力
    
    # 打印所有结果
    print("\n=== 批量生成结果 ===")
    for item in all_descriptions:
        print(f"\n【{item['product_name']}】")
        print(item['description'])
        print("-" * 50)

这个脚本展示了如何处理一个产品列表，并为每个产品调用一次模型。在实际应用中，你可以从Excel、CSV或数据库中读取产品信息，然后将生成的描述写回文件，形成一个完整的自动化流水线。

3.3 场景三：构建一个简单的交互式对话助手

除了单次任务，我们还可以让脚本和模型进行多轮对话，模拟一个简单的客服或聊天助手。

创建文件 interactive_chat.py：

import requests
import json

class SimpleChatBot:
    def __init__(self, model_name="lfm2.5-thinking:1.2b"):
        self.url = "http://localhost:11434/api/generate"
        self.model = model_name
        self.conversation_history = []  # 保存对话历史，让模型有上下文
        
    def chat(self, user_input):
        """
        发送用户输入，并获取模型回复。
        """
        # 将新的用户输入加入历史
        self.conversation_history.append({"role": "user", "content": user_input})
        
        # 构建包含历史上下文的提示词
        # 简单做法：将最近几轮对话拼接起来
        context_prompt = ""
        # 这里只保留最近3轮对话（6条消息）作为上下文，避免过长
        for msg in self.conversation_history[-6:]:
            role = "用户" if msg["role"] == "user" else "助手"
            context_prompt += f"{role}: {msg['content']}\n"
        
        context_prompt += "助手: "
        
        payload = {
            "model": self.model,
            "prompt": context_prompt,
            "stream": False,
            "options": {
                "num_predict": 150,
                "temperature": 0.7
            }
        }
        
        headers = {'Content-Type': 'application/json'}
        
        try:
            response = requests.post(self.url, headers=headers, data=json.dumps(payload))
            response.raise_for_status()
            result = response.json()
            bot_reply = result.get('response', '').strip()
            
            # 将助手回复加入历史
            self.conversation_history.append({"role": "assistant", "content": bot_reply})
            return bot_reply
        except requests.exceptions.ConnectionError:
            return "错误：无法连接到Ollama服务，请确保它正在运行。"
        except Exception as e:
            return f"请求出错：{e}"
    
    def clear_history(self):
        """清空对话历史"""
        self.conversation_history = []

# 启动一个简单的交互循环
if __name__ == "__main__":
    bot = SimpleChatBot()
    print("简易对话助手已启动（使用LFM2.5模型）。输入 '退出' 或 'quit' 结束对话。")
    print("-" * 50)
    
    while True:
        try:
            user_input = input("\n你: ")
            if user_input.lower() in ['退出', 'quit', 'exit']:
                print("助手: 再见！")
                break
                
            if not user_input.strip():
                continue
                
            reply = bot.chat(user_input)
            print(f"助手: {reply}")
            
        except KeyboardInterrupt:
            print("\n\n对话被中断。")
            break

运行这个脚本，你就可以在终端里和AI模型聊天了。它会记住你们最近几轮的对话内容，让交流更有连贯性。这个简单的框架可以扩展成客服机器人、学习伙伴等应用。

4. 进阶技巧与问题排查

掌握了基本应用后，我们再来看看如何用得更好，以及遇到问题怎么办。

4.1 优化提示词（Prompt）以获得更好结果

模型的表现很大程度上取决于你怎么“问”。好的提示词就像给一个聪明但不太了解情况的新同事一份清晰的工作说明书。

• 明确指令：不要说“写点东西”，而要说“写一封给客户的英文道歉邮件，语气诚恳专业，长度约100词”。
• 提供上下文和示例：对于格式固定的任务，可以在提示词里给个例子。

  请将以下会议要点整理成正式会议纪要。
  格式参考：
  | 议题 | 讨论内容 | 负责人 | 截止日期 |
  |---|---|---|---|
  | XXX | XXX | 张三 | 2023-10-27 |
  
  原始要点：[你的会议要点]
  

• 分步骤思考：对于复杂问题，可以要求模型“一步一步思考”。

  请分析以下需求，并给出技术实现方案。
  第一步，理解需求的核心目标。
  第二步，列出主要功能模块。
  第三步，为每个模块推荐合适的技术栈。
  需求：[你的需求描述]
  

• 指定角色：让模型扮演特定角色，回答会更专业。 “你是一名经验丰富的软件架构师，请评审这个系统设计...”

4.2 处理常见的错误与问题

在本地调用过程中，可能会遇到一些小问题，这里提供一些排查思路：

1. 连接错误 (ConnectionError):

   • 症状：Python脚本报错，提示无法连接到 localhost:11434。
   • 解决：首先确保Ollama服务正在运行。可以在终端输入 ollama list，如果能列出模型，说明服务正常。如果服务没启动，在终端运行 ollama serve 启动服务（注意这会占用当前终端）。

2. 模型不存在错误:

   • 症状：API返回错误，提示 model 'lfm2.5-thinking:1.2b' not found。
   • 解决：确认模型名称拼写正确。用 ollama list 查看本地已安装的模型全称。如果没找到，用 ollama pull lfm2.5-thinking:1.2b 重新拉取。

3. 生成内容不理想:

   • 症状：回复跑题、胡言乱语或过于简短。
   • 解决：
     • 检查提示词：是否足够清晰、具体？
     • 调整参数：尝试降低 temperature (如调到0.3) 让输出更稳定；增加 num_predict 让生成内容更长。
     • 迭代优化：AI生成很少一次完美。可以设计一个流程：让AI先生成，你再判断，如果不满意，把你的修改意见作为新的提示词让它重写。

4. 响应速度慢:

   • 症状：等待回复时间很长。
   • 解决：LFM2.5模型在CPU上运行已经很快。如果感觉慢，可以检查电脑的CPU和内存占用情况。对于超长文本生成，适当设置 num_predict 上限。

4.3 探索更多API功能

我们主要使用了 /api/generate 接口。Ollama的API还提供其他有用端点：

• /api/tags (GET): 获取本地可用的模型列表。

  import requests
  models = requests.get("http://localhost:11434/api/tags").json()
  print("可用模型:", [m['name'] for m in models.get('models', [])])
  

• /api/embeddings (POST): 获取文本的向量表示（Embedding），可用于语义搜索、文本分类等。

  payload = {
      "model": "lfm2.5-thinking:1.2b",
      "prompt": "你好世界"
  }
  embedding_response = requests.post("http://localhost:11434/api/embeddings", json=payload)
  

• 流式响应 (stream=True): 对于需要实时显示生成过程的场景（如聊天界面），可以使用流式响应，模型会像打字一样逐个token返回。

5. 总结

通过这篇教程，我们从零开始，完成了一次完整的本地AI模型部署与应用开发之旅。我们来回顾一下核心收获：

首先，我们认识了LFM2.5-1.2B-Thinking这个模型。它证明了“小模型也能有大智慧”，在轻量化的体积下提供了优质的文本生成能力，特别适合在个人电脑或边缘设备上运行，为自动化脚本提供了可能。

接着，我们掌握了Ollama这个利器。它让大模型的部署和管理变得像安装普通软件一样简单，一条命令就能准备好AI环境，省去了复杂的依赖配置和环境搭建。

然后，我们深入实践了Python调用Ollama API。你学会了如何通过 requests 库发送HTTP请求，与本地模型服务通信。从最简单的文本生成，到封装成函数处理具体任务（如生成日报、产品描述），再到构建有记忆的交互式对话助手，代码的复杂度逐步提升，但每一步都建立在扎实的基础上。

更重要的是，我们探讨了如何将这项技术“用起来”。技术本身不是目的，解决实际问题才是。无论是解放双手自动生成文档，还是批量处理内容提升效率，亦或是创造一个随时可聊的智能伙伴，你都看到了具体的实现路径和代码范例。

这个由“Ollama + LFM2.5模型 + Python脚本”构成的组合，为你打开了一扇门。它的门槛不高，但天花板不低。你可以基于今天学到的知识，继续探索：

• 将脚本集成到你的日常工作流（如钉钉/飞书机器人、自动化办公流程）。
• 尝试Ollama上的其他模型（如代码生成、多语言支持等）。
• 学习更高级的提示工程技术，进一步挖掘模型潜力。

希望这篇教程能成为你探索AI应用的一个起点。动手运行一下文中的代码，然后尝试改造它们来解决你自己的问题，这才是学习技术最好的方式。

---

获取更多AI镜像

想探索更多AI镜像和应用场景？访问 CSDN星图镜像广场，提供丰富的预置镜像，覆盖大模型推理、图像生成、视频生成、模型微调等多个领域，支持一键部署。