命令行与 CLI 深度使用

交互模式内置命令

进入 ollama run 模型名 后，你会看到 >>> 提示符。除了直接输入问题，还有一套以 / 开头的内置命令来控制会话：

# 启动交互模式
ollama run llama3.2

# 进入交互模式后可用的内置命令：

# /help — 显示所有可用命令列表
>>> /help

# /show info — 查看当前加载模型的详细信息
>>> /show info
# 输出：arch=llama, parameters=3.2B, context=131072, ...

# /show modelfile — 查看当前模型的 Modelfile
>>> /show modelfile

# /set parameter — 临时修改生成参数（本次会话有效）
>>> /set parameter temperature 0.1
>>> /set parameter num_ctx 4096
>>> /set parameter seed 42      # 固定随机种子，结果可复现

# /set system — 临时修改系统提示词
>>> /set system "你是一个诗人，只用古诗风格回答"

# /set nohistory — 不记录此次对话历史（隐私模式）
>>> /set nohistory

# /save — 保存当前会话状态为一个新模型
>>> /save my-session-snapshot

# /load — 加载已保存的会话状态
>>> /load my-session-snapshot

# /clear — 清除当前对话历史（重置上下文）
>>> /clear

# /bye — 退出交互模式（或按 Ctrl+D）
>>> /bye

多行输入技巧

在交互模式中，有多种方式输入跨越多行的内容：

# 方式一：三引号包裹（推荐，最清晰）
>>> """
... 请分析以下代码的性能问题：
...
... def slow_function(n):
...     result = []
...     for i in range(n):
...         result = result + [i * 2]  # 每次创建新列表
...     return result
...
... """
# 输入第二个 """ 并按 Enter 提交

# 方式二：行尾反斜杠续行
>>> 分析这段代码：def f(x): \
...     return x * 2

# 方式三：从文件读取输入（非交互模式更实用）
# 先将问题写入文件
cat > /tmp/question.txt << 'EOF'
审查以下 Python 代码，指出潜在的安全漏洞和改进建议：

```python
import sqlite3

def get_user(username):
    conn = sqlite3.connect("users.db")
    query = f"SELECT * FROM users WHERE name = '{username}'"
    result = conn.execute(query).fetchone()
    conn.close()
    return result
```
EOF

# 管道模式输入文件内容
ollama run llama3.2 < /tmp/question.txt

管道与非交互模式

非交互模式是自动化任务的核心。Ollama 检测到标准输入不是终端（TTY）时，自动进入非交互模式：

# 最基础的非交互用法
echo "用一句话解释量子纠缠" | ollama run llama3.2

# 传入变量
LANG="Python"
echo "用 ${LANG} 实现冒泡排序" | ollama run qwen2.5:7b

# 处理文件内容（代码审查）
cat main.py | ollama run codepal "审查以上代码，指出问题"

# 管道串联：先生成再格式化
echo "列出 5 个 Python 最佳实践，用 JSON 格式返回" | \
  ollama run llama3.2 | \
  python3 -c "import sys, json; data=json.loads(sys.stdin.read()); print(json.dumps(data, indent=2, ensure_ascii=False))"

# 命令行直接传 prompt（推荐方式）
ollama run llama3.2 "翻译成英文：量子计算改变了我们对计算的理解"

# 输出重定向到文件
ollama run llama3.2 "写一个 Python 爬虫的完整示例" > crawler_example.py

# 获取纯文本输出（去掉流式的特殊字符）
RESPONSE=$(ollama run llama3.2 "给出 3 个随机数字，只返回数字用逗号分隔")
echo "模型返回：$RESPONSE"

批量处理脚本实战

利用非交互模式，可以轻松构建批量处理工作流：

#!/bin/bash
# batch_translate.sh — 批量翻译目录下的 .txt 文件

MODEL="qwen2.5:7b"
INPUT_DIR="./docs"
OUTPUT_DIR="./docs_translated"

mkdir -p "$OUTPUT_DIR"

for file in "$INPUT_DIR"/*.txt; do
  filename=$(basename "$file" .txt)
  echo "正在翻译：$filename"

  # 读取文件内容，拼接翻译指令
  CONTENT=$(cat "$file")
  PROMPT="将以下文本翻译成中文，保持专业术语准确，只输出翻译结果不要解释：

${CONTENT}"

  # 调用 Ollama 翻译，输出到新文件
  echo "$PROMPT" | ollama run "$MODEL" > "${OUTPUT_DIR}/${filename}_zh.txt"

  echo "  ✓ 完成：${OUTPUT_DIR}/${filename}_zh.txt"
  sleep 0.5  # 避免请求过快
done

echo "批量翻译完成！共处理 $(ls $INPUT_DIR/*.txt | wc -l) 个文件"

#!/bin/bash
# code_review.sh — 自动审查 Git 提交的修改文件

MODEL="codepal"  # 使用第3章创建的编程助手

# 获取最新提交修改的 Python 文件
CHANGED_FILES=$(git diff --name-only HEAD~1 HEAD | grep '\.py$')

if [ -z "$CHANGED_FILES" ]; then
  echo "没有 Python 文件变更"
  exit 0
fi

for file in $CHANGED_FILES; do
  echo "======================================"
  echo "审查文件：$file"
  echo "======================================"

  DIFF=$(git diff HEAD~1 HEAD -- "$file")
  PROMPT="以下是代码变更的 diff，请简要审查：
1. 潜在的 Bug 或错误
2. 性能问题
3. 不符合 PEP8 的代码风格

\`\`\`diff
${DIFF}
\`\`\`

只列出发现的问题，没有问题就说'代码看起来没有明显问题'："

  echo "$PROMPT" | ollama run "$MODEL"
  echo ""
done

会话上下文管理

在交互模式中，Ollama 会自动维护对话历史（多轮上下文），但有一些重要细节需要了解：

# 默认情况：Ollama 会话保持上下文（多轮对话）
>>> 我叫小明，我想学 Python
>>> 你好小明！Python 是一门...
>>> 我应该从哪里开始？
>>> （模型记得你叫小明，会说"小明，建议你从..."）

# 上下文长度受 num_ctx 参数限制
# 当对话超出 num_ctx token 限制时，会自动截断最旧的内容
# 通过 /set parameter num_ctx 增大上下文（需要更多内存）
>>> /set parameter num_ctx 32768

# 清除上下文（开始新话题时）
>>> /clear

# 保存当前会话状态（包含所有上下文）
>>> /save work-session-20250409

# 下次恢复该会话（继续之前的对话）
ollama run llama3.2
>>> /load work-session-20250409
>>> 继续我们刚才讨论的 Python 异步编程话题

# 非交互模式默认无上下文（每次独立请求）
# 若需要在脚本中保持上下文，使用 REST API 的 /api/chat 接口（见第5章）