ollama python

Bibliothèque Ollama Python

La bibliothèque Ollama Python fournit le moyen le plus simple d'intégrer des projets Python 3.8+ avec Ollama.

Conditions préalables

• Ollama doit être installé et exécuté
• Extrayez un modèle à utiliser avec la bibliothèque : ollama pull <model> par exemple ollama pull llama3.2
  • Voir Ollama.com pour plus d’informations sur les modèles disponibles.

Installer

pip install ollama

Usage

 from ollama import chat
from ollama import ChatResponse

response : ChatResponse = chat ( model = 'llama3.2' , messages = [
  {
    'role' : 'user' ,
    'content' : 'Why is the sky blue?' ,
  },
])
print ( response [ 'message' ][ 'content' ])
# or access fields directly from the response object
print ( response . message . content )

Voir _types.py pour plus d'informations sur les types de réponse.

Réponses en continu

Le streaming des réponses peut être activé en définissant stream=True .

 from ollama import chat

stream = chat (
    model = 'llama3.2' ,
    messages = [{ 'role' : 'user' , 'content' : 'Why is the sky blue?' }],
    stream = True ,
)

for chunk in stream :
  print ( chunk [ 'message' ][ 'content' ], end = '' , flush = True )

Client personnalisé

Un client personnalisé peut être créé en instanciant Client ou AsyncClient depuis ollama .

Tous les arguments de mots clés supplémentaires sont transmis au httpx.Client .

 from ollama import Client
client = Client (
  host = 'http://localhost:11434' ,
  headers = { 'x-some-header' : 'some-value' }
)
response = client . chat ( model = 'llama3.2' , messages = [
  {
    'role' : 'user' ,
    'content' : 'Why is the sky blue?' ,
  },
])

Client asynchrone

La classe AsyncClient est utilisée pour effectuer des requêtes asynchrones. Elle peut être configurée avec les mêmes champs que la classe Client .

 import asyncio
from ollama import AsyncClient

async def chat ():
  message = { 'role' : 'user' , 'content' : 'Why is the sky blue?' }
  response = await AsyncClient (). chat ( model = 'llama3.2' , messages = [ message ])

asyncio . run ( chat ())

Le paramètre stream=True modifie les fonctions pour renvoyer un générateur asynchrone Python :

 import asyncio
from ollama import AsyncClient

async def chat ():
  message = { 'role' : 'user' , 'content' : 'Why is the sky blue?' }
  async for part in await AsyncClient (). chat ( model = 'llama3.2' , messages = [ message ], stream = True ):
    print ( part [ 'message' ][ 'content' ], end = '' , flush = True )

asyncio . run ( chat ())

API

L'API de la bibliothèque Ollama Python est conçue autour de l'API REST d'Ollama

Chat

 ollama . chat ( model = 'llama3.2' , messages = [{ 'role' : 'user' , 'content' : 'Why is the sky blue?' }])

Générer

 ollama . generate ( model = 'llama3.2' , prompt = 'Why is the sky blue?' )

Liste

 ollama . list ()

Montrer

 ollama . show ( 'llama3.2' )

Créer

 modelfile = '''
FROM llama3.2
SYSTEM You are mario from super mario bros.
'''

ollama . create ( model = 'example' , modelfile = modelfile )

Copie

 ollama . copy ( 'llama3.2' , 'user/llama3.2' )

Supprimer

 ollama . delete ( 'llama3.2' )

Tirer

 ollama . pull ( 'llama3.2' )

Pousser

 ollama . push ( 'user/llama3.2' )

Intégrer

 ollama . embed ( model = 'llama3.2' , input = 'The sky is blue because of rayleigh scattering' )

Intégrer (lot)

 ollama . embed ( model = 'llama3.2' , input = [ 'The sky is blue because of rayleigh scattering' , 'Grass is green because of chlorophyll' ])

PS

 ollama . ps ()

Erreurs

Des erreurs sont générées si les demandes renvoient un état d'erreur ou si une erreur est détectée lors de la diffusion.

 model = 'does-not-yet-exist'

try :
  ollama . chat ( model )
except ollama . ResponseError as e :
  print ( 'Error:' , e . error )
  if e . status_code == 404 :
    ollama . pull ( model )