Harbor项目中使用外部Ollama服务的配置指南
2025-07-10 11:00:01作者:凤尚柏Louis
在Harbor项目中,用户经常需要将现有的Ollama服务集成到系统中,而不是使用Harbor默认安装的Ollama实例。本文将详细介绍如何配置Harbor以使用外部Ollama服务,以及相关的技术细节和注意事项。
外部Ollama服务的基本配置
Harbor从v0.1.26版本开始支持配置外部Ollama服务地址。用户可以通过以下命令设置自定义的Ollama服务URL:
# Linux系统配置(172.17.0.1是容器内访问主机的默认IP)
harbor config set ollama.internal_url http://172.17.0.1:33821
# Windows/MacOS系统配置
harbor config set ollama.internal_url http://docker.host.internal:33821
网络连通性验证
在配置外部Ollama服务前,必须确保从Harbor容器内部可以访问该服务。可以通过以下步骤验证网络连通性:
- 启动Harbor服务
- 进入webui容器
- 测试目标Ollama服务的可达性
harbor up
harbor exec webui bash
curl http://目标IP:端口
模型缓存共享配置
为了优化资源使用,Harbor允许共享Ollama的模型缓存目录。用户可以通过以下命令查看和设置缓存路径:
# 查看当前缓存路径
harbor config get ollama.cache
# 设置自定义缓存路径
harbor config set ollama.cache ~/path/to/cache
配置持久化注意事项
需要注意的是,Harbor会在每次启动时覆盖WebUI的配置项。这意味着用户在WebUI界面手动添加的额外端点会在容器重启后被重置。针对这一问题,Harbor提供了专门的命令行工具来管理OpenAI兼容API的配置:
# 管理API密钥
harbor openai keys [ls|rm|add]
# 管理API URL
harbor openai urls [ls|rm|add]
使用这些命令添加的配置项会被持久化保存,不会在容器重启时丢失。需要注意的是,密钥和URL需要按索引对齐,且WebUI不会连接到没有密钥的OpenAI兼容API。
最佳实践建议
- 对于生产环境,建议使用固定IP地址配置外部Ollama服务
- 在配置前务必验证网络连通性
- 合理规划模型缓存位置,避免重复下载大模型文件
- 使用命令行工具而非WebUI界面进行持久化配置
- 定期检查服务健康状态,确保外部Ollama服务稳定运行
通过以上配置,用户可以灵活地将现有Ollama服务集成到Harbor生态系统中,同时享受Harbor提供的其他功能集成。这种配置方式特别适合已经部署了Ollama服务并希望保持现有架构不变的环境。
登录后查看全文
热门项目推荐
相关项目推荐
atomcodeClaude Code 的开源替代方案。连接任意大模型,编辑代码,运行命令,自动验证 — 全自动执行。用 Rust 构建,极致性能。 | An open-source alternative to Claude Code. Connect any LLM, edit code, run commands, and verify changes — autonomously. Built in Rust for speed. Get StartedRust0444
源启盛夏_AtomGit暑期开发者成长计划「源启盛夏」暑期校园开发者成长计划旨在激活校园开源力量,通过积分激励、认证扶持、资源倾斜等形式,引导高校组织和开发者完成「入驻 — 建项目 — 做贡献 — 获认证 — 得资源」的完整闭环。无论你是想带领社团入驻平台的组织者,还是希望用代码贡献证明自己的开发者,都能在这里找到属于你的成长路径。Markdown00
jiuwenswarmJiuwenSwarm 是一款基于openJiuwen开发的智能AI Agent,它能够将大语言模型的强大能力,通过你日常使用的各类通讯应用,直接延伸至你的指尖。Python0760
Hy3Hy3 是由腾讯混元团队研发的快慢思考融合的混合专家模型,总参数量 295B,激活参数 21B,MTP 层参数 3.8B。4 月底发布 Hy3 Preview 后,我们在 50 多个业务中获得了广泛的反馈,修复了各种体验问题,进一步提升了后训练的质量和规模。今天,我们发布 Hy3。它展现出显著强于同尺寸并比肩旗舰(参数规模往往是 Hy3 的 2~5 倍)开源模型的智能水平,显著提升了在各类产品和生产力任务中的实用价值。Python00
AscendNPU-IRAscendNPU-IR是基于MLIR(Multi-Level Intermediate Representation)构建的,面向昇腾亲和算子编译时使用的中间表示,提供昇腾完备表达能力,通过编译优化提升昇腾AI处理器计算效率,支持通过生态框架使能昇腾AI处理器与深度调优C++0310
DragonOSDragonOS is an operating system developed from scratch using Rust, with Linux compatibility. It is designed for **Serverless** scenarios. 使用Rust从0自研内核,具有Linux兼容性的操作系统,面向云计算Serverless场景而设计。Rust00
项目优选
收起
openEuler内核是openEuler操作系统的核心,既是系统性能与稳定性的基石,也是连接处理器、设备与服务的桥梁。
C
494
515
deepin linux kernel
C
32
16
Ascend Extension for PyTorch
Python
799
1.13 K
暂无描述
Markdown
825
5.48 K
本项目是CANN提供的神经网络类计算算子库,实现网络在NPU上加速计算。
C++
780
1.57 K
本项目是CANN提供的transformer类大模型算子库,实现网络在NPU上加速计算。
C++
964
2.27 K
本项目是CANN提供的数学类基础计算算子库,实现网络在NPU上加速计算。
C++
1.2 K
1.24 K
CANN 学习中心仓,支持在线互动运行、边学边练,提供教程、示例与优化方案,一站式助力昇腾开发者快速上手。
Jupyter Notebook
640
272
本仓将收集和展示高质量的仓颉示例代码,欢迎大家投稿,让全世界看到您的妙趣设计,也让更多人通过您的编码理解和喜爱仓颉语言。
C
830
6.13 K
昇腾LLM分布式训练框架
Python
193
272