接着上一篇文章，有朋友问到一些使用ollama相关的一些问题，总结下供大家参考。顺便吐槽下大模型瞎扯的事儿。
安装ollama本体，ollama本体下载国内网有点吃力，有需要的朋友可以在公众号回复：ollama.windows和ollama.mac获取对应的安装包百度网盘链接。
大模型下载，模型下载国内网是可以的（通过ollama pull <模型名称> 或者 ollama run <模型名称>），很快。即使看到类似服务器响应过久的提示失败了也可以再试一下。有需要的朋友可以在公众号回复：ollama.model获取百度网盘链接，里面有llama2 7B模型和nomic-text-embed模型。llama2是用于大语言对话的，embed是用来理解你的笔记的。 Windows用GPU, ollama windows默认直接会调用GPU的，不需要额外的设置。有兴趣的朋友可以看下这篇官方的blog，https://ollama.com/blog/windows-preview -
ollama命令，在cmd里输入ollama回车，就能看到ollama的一些基本命令
ollama serve - 启动ollama服务器
ollama list - 列出已下载的所有模型，存在你的的"C:\Users\%username%\.ollama\models"里，如果没有改过位置的话
ollama run <模型名称> - 在cmd里跑xx模型，把<模型名称>替换成你要用的模型，可以通过list命令看每个模型叫什么
ollama rm <模型名称> - 删除xx模型
最近使用的时候还发现一些有趣的点，想到可能会影响以后的习惯。
发现瞎扯：最近用的时候发现大模型瞎扯的能力依然很强。一旦发现他开始瞎扯就重新开始新的对话我感觉有点帮助。
精简笔记 vs 提供更多的信息：之前记笔记我会习惯性的有一点省略，速度快比较重要。比如下面这个例子，人一眼就能知道Training相关的内容存在I盘这个位置，但是当我把这一页笔记发给llama2后问他Tranining相关的内容在哪他并不知道，可能是模型比较小或者设置原因。
但换个角度想，现在大模型理解要比人看的快，如果这个笔记要被大模型去用，那提供更多的信息可能会更有用?。不过这也可能增加超Token限制的可能性，同时我也希望笔记不要太罗嗦以至于影响可读性，需要平衡一下。
可能的优化方式：提升问答的准确性我感觉还是需要一定的优化。最近我还有在玩字节的扣子Coze，这东西是字节版的GPTs，他里面有个workflow挺有意思的。现在这些大模型靠的是“猜”，传统的编程主要是完成预设好的任务。光靠AI猜不明白，那我就先通过一定逻辑编程，预处理一些信息，再交给大模型去理解和总结，Coze的workflow+LLM我感觉就有点这个意思。比如obsidian里有各种tag，可以先找出所有有“#渲染”标签的文章，然后再在这些文章里去筛选然后总结，出来的结果应该会比把所有笔记都丢给LLM好得多。
Obsidian Copilot应该已经用LangChain做了一些优化了，也许可以再深挖一下?。另外Coze的workflow是低代码的形式，低代码好啊，这两天正好看到篇文章说ComfyUI for everything，ComfyUI+Obsidian+LLM我觉得可以，哈哈哈。
希望以上的内容能对大家有所帮助，欢迎各种交流?~
