Ubuntu14.04安装ollama和模型存储路径更改

最新推荐文章于 2026-06-27 16:22:03 发布
原创 最新推荐文章于 2026-06-27 16:22:03 发布 · 1.3k 阅读 · 7

AI 时代程序员必备技能

Codex、Claude Code、Cursor、Hermes Agent、OpenClaw等工程化实战专栏 ，讲透 AI 如何接管脏活累活

一键订阅

Deepseek的火热，也想着在自己电脑上部署试试。

一：安装

curl -fsSL https://ollama.com/install.sh | sh

直接运行该条指令就可以安装成功了(偶尔会因为网络问题而安装失败，可多试几次)。

安装完成后，可输入 ollama -v 验证是否安装成功。

 二、下载模型

进入官网：Ollama​​​​​​

 

 以上标出了支持的一些模型，如：Llama3.3,DeepSeek-R1等，直接点击DeepSeek-R1会进入到相应的模型介绍界面。

 里面的模型有1.5b,7b,8b....数字越大模型的包也越大，对于电脑的性能需求也越大。

只需在终端中输入ollama run deepseek-r1:【模型】,就会进行下载了。如下：

AI 时代程序员必备技能

Codex、Claude Code、Cursor、Hermes Agent、OpenClaw等工程化实战专栏 ，讲透 AI 如何接管脏活累活

一键订阅
标签
#ai
最低0.47元/天 解锁文章
Ubuntu系统下Ollama模型存储路径修改全攻略（附systemd配置详解）
weixin_30872499的博客
04-01 563
本文详细介绍了在Ubuntu系统下修改Ollama模型存储路径的全过程，包括systemd配置的深度解析和实战步骤。通过override机制实现灵活管理，特别适合NAS存储和多硬盘用户，帮助开发者有效解决系统盘空间不足的问题。
ubuntu20.04安装ollama修改模型路径修改外网访问
jockerzoo的博客
03-31 708
5.安装deepseek-r1:14b、qwq:32b等大模型。4.修改外网访问，记得关闭防火墙或者放行11434端口。3.修改模型存储位置。
在ubuntu系统中下载ollama并且修改ollama中模型的保存路径
2201_75299183的博客
10-25 2万+
（2）复制下载命令：这里需要科学上网后再用下面指令下载，不然非常的慢。（官网也有手动下载的流程，但是也很慢）（2）假如说我们现在要把保存路径改到/home下（我这里改到了/home目录下名为下载的文件夹中）（3）验证是否安装成功：下载好后在终端输入：ollama，显示如下页面说明ollama安装成功。（1）修改模型下载保存位置。（3）刷新配置并重启。
ubuntu 安装配置 ollama ,添加open-webui
热门推荐
TuringEvo专栏
03-16 2万+
如果修改了OLLAMA_MODELS环境变量，把之前下载的 OLLAMA_MODELS 目录变量下的两个目录。浏览器下载 https://ollama.com/download/ollama-linux-amd64。1 手动下载 https://ollama.com/install.sh 这个文件。2 注释掉下载部分 curl xxxx 手动下载ollama-linux-{ARCH}复制到新的OLLAMA_MODELS目录变量下 ，即可。模型下载到刚才的OLLAMA_MODELS 环境变量下。
Ubuntu设置ollama保存模型的路径和设置监听端口
顺其自然~专栏
11-13 3385
通过上述设置，以后ollama pull命令拉取到的模型都保存在/path/to/ollama/models，而ollama run命令运行的模型都可以在地址0.0.0.0:11434被访问。之前折腾环境的时候，不小心删除了/usr/share/ollama这个目录，这个也是需要的，而且如果手动创建后最好给个权限，sudo chown -R 777 /usr/share/ollama。PS：上面修改方式不支持用snap这种方式去安装的ollama。设置ollama保存模型的路径和监听端口。
Ollama更改存储位置（Ubuntu）
qq_41891358的博客
02-07 738
官方文档中给的systemctl edit的方式总是会报临时文件无法更改，使用如下方式直接变更。按照官方文档，赋予新目录权限，并且复制原有路径的模型到目标路径，如【/data/ollama】在Environment那里增加一行。重启daemon和ollama的服务。
安装Ollama
qq_65477424的博客
02-26 439
按照上面的步骤手动添加后，问题就能解决。如果看不到，说明 Ollama 没有正确安装，需要重新运行安装程序。如果想迁移到D盘，可以参考我们之前讨论过的设置环境变量的方法。修复环境变量后，你就可以在新打开的 PowerShell 中正常使用。这一步至关重要，因为环境变量的更改需要在新的终端进程中才能加载。执行后，会列出所有你已经下载到本地的模型。”，然后将上一步确认的路径粘贴进去，点击“确定”保存所有窗口。环境变量，所有下载的模型默认会保存在。简单来说，你遇到的问题本质上是。变量，选中并点击“编辑”。
DeepSeek-R1 私有化部署 ubuntu22.04 3060显卡
qq_37124515的博客
02-09 1734
实测效果还是可以的，能满足日常使用。但是和“满血”版本还是有很大的差距优先使用官网版本，或者直接使用官网的API版本。如果有空闲资源，官网服务也是不稳定的，可以尝试以上方式部署如果有什么问题，欢迎评论留言讨论，看到会回复如果你觉得这个回答对你有帮助，欢迎关注我的微信公众号【一行梦境】，我会在那里分享更多深度内容和实用技巧。
Ubuntu上彻底卸载Ollama的保姆级命令清单（附服务清理与模型文件删除）
weixin_29305313的博客
03-27 519
本文提供了在Ubuntu系统上彻底卸载Ollama的详细指南，包括停止服务、删除程序文件、清理模型数据、移除系统用户组等步骤，确保不留任何残留。特别适合需要完全清除Ollama及其相关文件的用户，帮助释放磁盘空间并避免未来安装冲突。
macOS下用Docker部署Ollama：绕过签名限制与加速模型下载
06-22 352
Docker 是一种轻量级容器化技术，通过进程隔离和镜像分层实现环境一致性。其核心原理在于利用 Linux 命名空间（namespaces）和控制组（cgroups）构建沙箱，再结合 UnionFS 实现镜像的只读层与可写层分离。在 macOS 上，Docker Desktop 通过虚拟化内核（hyperkit/qemu）提供兼容运行时，天然规避系统级代码签名校验，解决 Ollama 原生安装因 amfid 拦截导致的 'code signature invalid' 问题；同时依托国内云厂商容器镜像服务（
本地大模型部署
CYK246的博客
04-14 376
以下步骤基于您的查询，我将扩展解释以确保可靠性。核心工具是 Ollama，一个轻量级框架，用于本地运行大模型。根据您的需求，选择 Qwen 2.5 系列的 3B 或 1.5B 版本。3B 模型更强但资源需求高，1.5B 更快适合简单任务。部署本地大模型可以让您在本地设备上高效运行大型语言模型，适用于离线对话、控制指令等场景。Jetson 设备默认节能，此步骤最大化 GPU 性能以提升模型运行速度。以下是详细流程，按顺序执行以避免依赖问题。首先，更新系统并安装基础工具。是压缩库，处理模型数据高效。
Ollama本地部署全链路解析：从60秒上手到生产就绪
weixin_33794672的博客
06-22 437
Ollama作为轻量级本地大模型运行时，本质是面向开发者的一站式AI操作系统，其核心在于抽象硬件差异、统一GGUF模型格式、提供标准化HTTP API。它基于服务化架构（默认监听11434端口），通过内置模型加载器与自包含二进制实现极简安装，无需配置Python或CUDA环境。技术价值体现在降低AI工程化门槛——用户可跳过环境编译、依赖管理与服务封装等传统痛点，直接聚焦模型调用与业务集成。典型应用场景包括终端交互问答、VS Code智能插件后端、Notion自动化助手及树莓派边缘AI部署。本文深入拆解其安装
Windows本地部署Qwen3.5:0.8b：Ollama一键运行实战指南
A08110123的博客
06-16 587
大语言模型（LLM）本地化部署正成为开发者与企业提升数据安全、降低API成本的关键路径。其核心原理在于将模型推理引擎与硬件加速层（如DirectML、CUDA）深度耦合，实现低延迟、高兼容的端侧运行。技术价值体现在免依赖、轻量化、跨显卡兼容——尤其适合Windows环境下的边缘计算、离线办公与快速原型验证。典型应用场景包括笔记本AI助手、工业终端日志分析、企业内网文档摘要等。本文聚焦Qwen3.5:0.8b这一高性价比中文小模型，结合Ollama原生Windows方案，详解零基础安装、DirectML加速适
基于Ollama与AnythingLLM构建本地私有知识库：从原理到部署实战
最新发布
快马扬鞭须努力！
06-27 364
大语言模型（LLM）与检索增强生成（RAG）技术正深刻改变信息处理方式。其核心原理在于，通过嵌入模型将非结构化文本转化为向量，存储于向量数据库，实现基于语义的精准检索。这项技术的核心价值在于，能将私有知识库与LLM的推理能力结合，提供基于特定文档的智能问答，极大提升了知识利用效率。在数据隐私敏感的企业文档管理、个人笔记分析等场景中，本地化部署成为刚需。本文聚焦于使用Ollama部署本地大模型作为“大脑”，并结合AnythingLLM框架构建知识库“管家”与交互界面，提供了一套完整的**私有化部署**解决方案
DeepSeek-R1本地部署实战：Ollama+Cherry Studio零基础启动指南
adiking520110的博客
06-20 433
大语言模型（LLM）本地运行已成为AI应用的基础能力，其核心在于轻量级推理运行时与友好交互界面的协同。Ollama作为专为本地部署优化的Go语言运行时，规避了Docker环境复杂性和Python依赖冲突，显著降低硬件门槛；Cherry Studio则通过内建调试面板、实时Token监控和Agent模式，将RAG、文档解析等高级能力封装为可视化操作。二者结合，使DeepSeek-R1这类国产高性能模型得以在消费级设备（如RTX3060、M1芯片甚至树莓派）上稳定运行。本文聚焦真实新手场景，覆盖Windows/
Windows零成本部署DeepSeek：Ollama+Open-WebUI本地AI工作站实战
culi3182的博客
06-17 448
大模型本地化部署正从高门槛技术实践走向日常生产力工具。其核心原理是利用量化模型（如GGUF格式）降低计算与内存开销，结合轻量级运行时（Ollama）和无依赖前端（Open-WebUI），实现CPU友好型推理。该方案具备零订阅、零云费用、零额外硬件的技术价值，显著区别于依赖远程API或复杂容器环境的替代方案。典型应用场景包括办公文档处理、编程辅助、教学备课及个人知识库构建——尤其适合16GB内存Windows轻薄本用户。本文聚焦DeepSeek-R1系列在Windows平台的可落地部署，深度整合Ollama模
本地AI助手搭建实战：Ollama、llama.cpp与Qwen2.5全栈指南
chunchan1381的博客
06-15 385
本地AI助手是指在个人设备上离线运行的大语言模型系统，其核心在于模型本地化部署、推理全程不联网、数据零外泄。技术原理基于GGUF量化格式与硬件加速（Metal/CUDA）协同优化，通过Q4_K_M等轻量级量化实现精度与速度的平衡，显著降低内存占用和响应延迟。该方案具备强隐私保障、低成本可持续、低延迟高可控三大技术价值，广泛适用于代码补全、文档摘要、合同审阅、RAG知识库等办公与开发场景。本文聚焦Windows/macOS/Linux平台下Ollama、llama.cpp及LM Studio三类主流工具链的实
OpenClaw零代码漫剧工作流：打通阿里云与本地AI模型
chulilang8944的博客
06-22 335
AI漫剧生成涉及多模态协同、语音-口型对齐、跨平台模型调度等关键技术，其核心挑战在于异构AI服务（如阿里云百炼、本地Ollama）的统一编排与低代码集成。OpenClaw通过网关路由、Provider抽象和Seed2.0 Skills微服务架构，将模型调用、技能组合与导出流程封装为斜杠命令（如`/model sonnet`、`/skill lip-sync`），实现无需编写胶水代码即可串联推理、TTS、音画同步等环节。该方案显著降低AI内容生产门槛，适用于动漫IP自动化改编、教育短视频批量生成、游戏本地化配
本地自主AI代理实战：Llama-3+Ollama+沙盒安全框架
weixin_30861459的博客
06-24 348
自主AI代理是指能理解目标、规划步骤并直接执行系统操作的智能体，其核心原理在于将大语言模型（LLM）作为决策中枢，通过工具调用（Tool Calling）与操作系统深度交互。技术价值体现在自动化重复运维、降低人为误操作风险、实现操作全程可审计。典型应用场景包括DevOps日常巡检、开发者环境初始化、终端用户文件智能管理等。但落地关键在于解决安全性与可控性——必须规避云端API的数据泄露风险，采用本地化推理（如Ollama加载Llama-3-70B-Instruct），并构建多层权限沙盒与人工熔断机制。本文即
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值