WorkBuddy部署Ollama模型方法

本文详细解析了在 WorkBuddy 中成功部署并调用本地 Ollama 模型的关键配置要点与常见陷阱：必须显式设置 OLLAMA_HOST 环境变量为 `0.0.0.0:11434` 以突破 Electron 沙盒限制，WorkBuddy 中的模型 URL 必须严格为 `http://127.0.0.1:11434/v1/chat/completions`、ID 必须精确匹配含标签的完整模型名（如 `qwen3.5:4b-q4_K_M`），且所有配置更改后需彻底退出并重启应用——任何“保存即生效”或“热加载”的预期都会导致连接失败；文末还提供了三步高效调试法，直击 90% 用户卡点，帮你快速验证服务监听、API 可达性与前端报错根源，真正实现开箱即用的本地大模型协同体验。

ollama 模型在 WorkBuddy 中不是“自动识别即用”的，必须显式配置服务地址和模型 ID，否则即使 ollama 正在运行，WorkBuddy 也会报连接失败或模型未找到。

确认 Ollama 服务监听地址是否对外可访问

默认情况下，ollama 只监听 127.0.0.1:11434，这会导致 WorkBuddy（尤其是新版 Electron 架构）因跨进程/沙盒限制无法访问。必须强制它绑定到 0.0.0.0：

• Windows：在系统环境变量中新增 OLLAMA_HOST=0.0.0.0:11434，然后重启命令行和 ollama 服务
• macOS/Linux：执行 export OLLAMA_HOST=0.0.0.0:11434，再运行 ollama serve（推荐写入 ~/.zshrc 或 ~/.bash_profile 持久化）
• 验证方式：在浏览器打开 http://localhost:11434 应返回 {"status":"ok"}；若打不开，说明监听未生效

WorkBuddy 添加自定义模型时的 URL 和 ID 必须严格匹配

WorkBuddy 的 Ollama 集成依赖标准 OpenAI 兼容接口，但只认特定路径和字段。常见错误是填错 url 或 id：

• url 必须为 http://127.0.0.1:11434/v1/chat/completions（不能少 /v1/chat/completions，也不能写成 /api/chat）
• id 必须与你实际运行的模型名完全一致，包括标签（tag），例如 qwen3.5:4b-q4_K_M ≠ qwen3.5，gemma4:26b-moe ≠ gemma4
• 如果使用 models.json 手动编辑（路径：C:\Users\{username}\.workbuddy\models.json），确保 JSON 格式合法，且 "disabled": false

添加后必须完全退出并重启 WorkBuddy

WorkBuddy 不支持热加载模型配置，仅点击「保存」或「刷新」无效：

• 任务管理器中结束所有 WorkBuddy.exe 进程（Windows）或活动监视器中杀掉 WorkBuddy（macOS）
• 重新启动应用，而非从 Dock / 开始菜单「恢复」——恢复会沿用旧配置
• 重启后，在模型选择器中看到带 (Ollama) 后缀的条目才算成功，如 Qwen3.5 4B (Ollama)
• 首次调用可能延迟 3–8 秒，这是模型首次加载权重到内存的过程，非错误

调试连接失败最有效的三步检查法

当模型显示「不可用」或对话框提示 Failed to fetch 时，按顺序排查：

• 在终端执行 ollama list，确认目标模型已下载且状态为 created
• 在另一终端执行 curl -X POST http://127.0.0.1:11434/v1/chat/completions -H "Content-Type: application/json" -d '{"model":"qwen3.5:4b-q4_K_M","messages":[{"role":"user","content":"hi"}]}'，看是否返回 JSON 响应（注意替换真实模型 ID）
• 检查 WorkBuddy 日志：打开开发者工具（Ctrl+Shift+I → Console 标签），触发一次模型调用，观察是否有 ERR_CONNECTION_REFUSED 或 404 Not Found 报错

WorkBuddy 对 Ollama 的集成本质是 HTTP 代理，不涉及模型文件路径或本地 GGUF 加载逻辑。最容易被忽略的是 OLLAMA_HOST 环境变量未设、url 路径少写 /v1/...、以及重启不彻底——这三个点卡住 90% 的部署失败。

今天关于《WorkBuddy部署Ollama模型方法》的内容就介绍到这里了，是不是学起来一目了然！想要了解更多关于的内容请关注golang学习网公众号！