1. 命令行交互
与模型打交道最直接的方式，莫过于打开终端，通过命令行输入指令。没有花哨的图形界面，纯粹且高效，非常适合追求极致掌控力的开发者。
运行模型
要启动模型并进入交互模式，只需执行一条命令：
ollama run
以 deepseek-coder 模型为例，操作如下：
实例
ollama run deepseek-coder
启动成功后，你就能在终端中直接输入问题或指令，模型会实时生成回答。例如：
>>> 你好，你能帮我写一段代码吗？
当然可以。不过首先我想知道您希望用哪种编程语言来实现这个功能（例如 Python、JavaScript 等），以及您需要解决什么问题或完成什么任务？这样我能为您提供更精准的内容，同时帮您写出最合适的代码片段。
>>> 写一段 python hello world
没问题！这是一个简单的 "Hello, World!" 程序：
```python
print("Hello, World!")
```
该脚本会输出 `Hello, World!`，并将其打印到控制台。这是最基本的 Python Hello World 示例；Python 是一种解释型、通用编程语言，以简洁性和易读性著称，它还允许用户在代码中插入变量和表达式来构建复杂的行为。
退出交互模式
对话结束后，输入 /bye 或按下 Ctrl+d 即可退出——干净利落，毫无冗余。
2. 单次命令交互
有时你并不需要开启一场持续的对话，只想获取某个问题的答案。此时使用单次命令模式最为合适：一次输入，一次输出，不拖泥带水。
使用管道输入
最常用的方式是将输入通过管道传递给模型：
实例
echo "你是谁？" | ollama run deepseek-coder
输出结果：
我是由中国的深度求索（DeepSeek）公司开发的编程智能助手，名为 DeepCoder。我专注于解决计算机科学相关的问题和任务。如果你有任何关于这个领域的话题或需要帮助的地方，请随时提问！
使用命令行参数
另一种更直接的方法，是将问题直接附在命令之后：
ollama run deepseek-coder "Python 的 hello world 代码？"
输出结果：
在 Python 中，"Hello World!" 通常是这段简单的脚本：
```python
print("Hello World!")
```
当你运行这个程序时，它会输出 `Hello, World`。这是因为 print() 函数将字符串 "Hello, World" 打印到标准输出设备（stdout）——也就是你的屏幕上显示的信息（在命令行终端或类似环境中运行 Python 脚本时，它会直接写入控制台）。
3. 多轮对话
Ollama 并非那种“一问一答就翻篇”的工具——它支持多轮对话，并且能够记住上下文。这意味着你可以像与真人交流一样，逐步深入话题。
实例
>>> 你好，你能帮我写一段 Python 代码吗？
当然可以！请告诉我你需要实现什么功能。
>>> 我想写一个计算斐波那契数列的函数。
好的，以下是一个简单的 Python 函数：
def fibonacci(n):
if n <= 1:
return n
else:
return fibonacci(n-1) + fibonacci(n-2)
看到了吗？它记住了你刚才提到的“要写代码”这一背景，然后直接给出了斐波那契数列的实现。
4. 文件输入
如果你有一大段文本需要模型处理（例如读取某个文件的内容），也可以通过重定向输入来实现：
假设 input.txt 文件中包含以下内容：
Python 的 hello world 代码？
那么执行：
ollama run deepseek-coder < input.txt
模型就会读取文件内容作为输入，并生成相应的输出，省去了手动粘贴的麻烦。
5. 自定义提示词
默认的模型行为可能并不完全符合你的需求——比如你希望模型始终扮演“严格语法检查器”，或要求它“只输出代码，不废话”。此时，你需要通过 Modelfile 来定义系统指令，让模型在每次交互中都遵循特定的规则。
创建自定义模型
编写一个 Modelfile，内容大致如下：
实例
FROM deepseek-coder
SYSTEM "你是一个编程助手，专门帮助用户编写代码。"
然后运行命令创建自定义模型：
ollama create runoob-coder -f ./Modelfile
创建完成后，直接用新模型名启动：
ollama run runoob-coder
现在它就是一个“专攻代码”的助手，不会再说多余的话了。
6. 交互日志
在开发过程中难免需要调试，查看模型究竟接收了什么、输出了什么。Ollama 贴心地提供了日志功能，所有交互记录都会被保存下来。
查看日志的方法非常简单：
ollama logs
这对于排查问题、分析模型行为，甚至复盘自己的提问方式，都非常有帮助。
