Ollama（ollama/ollama）是一个让你在本地快速运行开源大模型的工具：一条命令即可下载并运行 Llama、Gemma、Qwen、DeepSeek、Mistral、GLM、gpt-oss 等众多模型，并提供本地 REST API（默认 :11434）与 Python/JS 客户端，方便把本地模型接入应用或编码代理（Claude Code、Codex、Copilot、OpenCode 等）。它跨 macOS/Windows/Linux/Docker，底层基于 llama.cpp。MIT 许可，约 172,176 stars，主语言 Go，官网 ollama.com，是本地跑 LLM 的事实标准工具之一。
来源：README.md（描述、Download、Get started、REST API、Supported backends）；GitHub 仓库元数据（stars=172176、language=Go、license=MIT、topics ollama/llm） 查看 GitHub 仓库 →本地运行大模型有隐私、离线、成本与可控等优势，但配置门槛高。Ollama 把模型下载、量化、运行与 API 服务封装成极简体验（ollama run
`ollama run
提供本地 REST API（:11434）与官方 Python/JS 客户端，便于接入应用，支持流式。
来源：README.md（REST API、Python、JavaScript）可 launch 接入 Claude Code、Codex、Copilot CLI、OpenCode、OpenClaw 等。
来源：README.md（Coding、AI assistant）支持 macOS/Windows/Linux/Docker，模型库丰富并可导入自定义模型，底层用 llama.cpp。
来源：README.md（Download、Supported backends、library）Ollama 用 Go 实现，作为本地模型运行时 + 服务：底层以 llama.cpp 为推理后端，负责拉取、量化与加载模型并以服务形式常驻（默认 http://localhost:11434）。用户通过 CLI（ollama run/launch 等）运行模型或启动与编码代理/助手的集成；应用可经 REST API（如 /api/chat）或官方 Python（pip install ollama）、JS（npm i ollama）客户端调用，支持流式。模型来自 ollama.com/library，也支持导入自定义模型。跨 macOS/Windows/Linux 与 Docker 镜像 ollama/ollama。
来源：README.md（Download、Get started、REST API、Python/JS、Supported backends）；GitHub 仓库元数据（language=Go）中心为项目本体，内环 = 核心功能模块，外环 = 关键技术依赖；按 deep.json 中的 core_features 与 tech_stack.key_deps 自动生成
llama.cpp（推理后端）本地 REST API（ollama-python / ollama-js 客户端适合想在本地用开源大模型的开发者与用户：隐私优先、离线、低成本地跑 LLM 做对话、补全与应用后端；用本地 REST API/客户端把模型接入自有应用，或作为 Claude Code/Codex 等编码代理的本地模型后端；也适合做模型试验、原型与边缘/内网部署。可跑的模型规模与速度取决于本机硬件，大模型需足够显存/内存。
来源：README.md（描述、Get started、Coding、REST API）本页未列固定版本号；Ollama 持续发布（官网与 GitHub Releases），不断新增模型支持（如 Kimi-K2.5、GLM-5、MiniMax、DeepSeek、gpt-oss、Qwen、Gemma 等）与编码代理集成。仓库最后更新约在 2026 年 5 月，迭代非常活跃。
来源：README.md（描述、Coding）；GitHub pushed_atOllama 是本地运行开源大模型的事实标准工具：一条命令下载并运行 Llama/Gemma/Qwen/DeepSeek 等众多模型，提供本地 REST API 与 Python/JS 客户端、跨平台支持与编码代理集成，底层基于 llama.cpp，体验极简、模型库丰富、隐私/离线友好、生态庞大、MIT 开源、维护极活跃，对想在本地用 LLM 的开发者与用户几乎是首选。要清楚可跑模型大小与速度取决于本机显存/内存、能力随 llama.cpp 与模型生态演进、安装脚本为网络拉取需确认来源、大模型本地推理吃硬件且受量化影响。作为本地 LLM 运行的基础设施，简单、强大、影响力极大。
来源：综合 README.md 的定位、运行/API 能力、跨平台与生态