在Prompt-Optimizer项目中调用本地Ollama部署模型的方法
在Prompt-Optimizer项目中,开发者可能会遇到调用本地部署的Ollama模型时出现连接失败的问题。本文将深入分析这一问题的原因,并提供完整的解决方案。
问题现象分析
当尝试通过类似http://192.168.0.10:11434的地址调用本地Ollama部署的模型时,系统会返回"连接测试失败: API错误: 连接测试失败: Connection error"的错误提示。然而,使用LangChain框架却可以成功调用同一模型,这表明问题并非出在模型服务本身,而是与调用方式或配置有关。
根本原因
经过技术分析,这一问题主要由Ollama服务的默认跨域限制(CORS)引起。Ollama服务默认设置了严格的安全策略,限制了来自不同源的请求,这是现代Web应用常见的安全措施。
解决方案
要解决这一问题,需要通过设置环境变量来调整Ollama的默认行为。具体需要配置以下两个关键环境变量:
-
OLLAMA_ORIGINS:将其值设置为"*",表示允许所有来源的跨域请求。这一设置会放宽Ollama的跨域限制,使任何来源的请求都能访问API。
-
OLLAMA_HOST:将其值设置为"0.0.0.0:11434",这一配置确保Ollama服务监听所有网络接口,而不仅仅是本地回环地址。这对于需要从局域网内其他设备访问服务的情况尤为重要。
实施步骤
-
在启动Ollama服务前,设置环境变量:
export OLLAMA_ORIGINS="*" export OLLAMA_HOST="0.0.0.0:11434" -
启动Ollama服务:
ollama serve -
在Prompt-Optimizer项目中重新测试连接,此时应该能够成功调用本地部署的模型。
安全注意事项
虽然将OLLAMA_ORIGINS设置为"*"可以解决问题,但在生产环境中这可能带来安全风险。建议开发者根据实际需求,设置更精确的允许来源列表,而不是完全开放跨域访问。例如,可以设置为特定的域名或IP地址范围。
总结
通过合理配置Ollama的环境变量,可以轻松解决Prompt-Optimizer项目调用本地模型时的连接问题。这一解决方案不仅适用于Prompt-Optimizer项目,对于其他需要集成Ollama服务的应用同样有效。开发者在实施时应当权衡便利性与安全性,根据实际场景选择最合适的配置方案。
GLM-5智谱 AI 正式发布 GLM-5,旨在应对复杂系统工程和长时域智能体任务。Jinja00
GLM-5-w4a8GLM-5-w4a8基于混合专家架构,专为复杂系统工程与长周期智能体任务设计。支持单/多节点部署,适配Atlas 800T A3,采用w4a8量化技术,结合vLLM推理优化,高效平衡性能与精度,助力智能应用开发Jinja00
请把这个活动推给顶尖程序员😎本次活动专为懂行的顶尖程序员量身打造,聚焦AtomGit首发开源模型的实际应用与深度测评,拒绝大众化浅层体验,邀请具备扎实技术功底、开源经验或模型测评能力的顶尖开发者,深度参与模型体验、性能测评,通过发布技术帖子、提交测评报告、上传实践项目成果等形式,挖掘模型核心价值,共建AtomGit开源模型生态,彰显顶尖程序员的技术洞察力与实践能力。00
Kimi-K2.5Kimi K2.5 是一款开源的原生多模态智能体模型,它在 Kimi-K2-Base 的基础上,通过对约 15 万亿混合视觉和文本 tokens 进行持续预训练构建而成。该模型将视觉与语言理解、高级智能体能力、即时模式与思考模式,以及对话式与智能体范式无缝融合。Python00
MiniMax-M2.5MiniMax-M2.5开源模型,经数十万复杂环境强化训练,在代码生成、工具调用、办公自动化等经济价值任务中表现卓越。SWE-Bench Verified得分80.2%,Multi-SWE-Bench达51.3%,BrowseComp获76.3%。推理速度比M2.1快37%,与Claude Opus 4.6相当,每小时仅需0.3-1美元,成本仅为同类模型1/10-1/20,为智能应用开发提供高效经济选择。【此简介由AI生成】Python00
Qwen3.5Qwen3.5 昇腾 vLLM 部署教程。Qwen3.5 是 Qwen 系列最新的旗舰多模态模型,采用 MoE(混合专家)架构,在保持强大模型能力的同时显著降低了推理成本。00- RRing-2.5-1TRing-2.5-1T:全球首个基于混合线性注意力架构的开源万亿参数思考模型。Python00