笔记
0工具
0此页用于记录用户反馈问题后的每一次改进
关于
“写笔记”支持四种格式——Word 文档、Excel 表格、Markdown、纯文本，起稿或二次编辑时都能随时切换，同一篇笔记想用哪种形态来记，都由你说了算。
md、txt、csv、json 这类纯文本则原样载入，不做多余加工。拿一张现成的表倒进来、改几笔、再导出去，等于白用一台免费的格式转换器。
要带走就在右上角点“下载”，可导出 PDF、Word、Markdown、Excel、TXT 等格式；列表卡片“⋯”菜单里，也有同样的下载入口。
在“工具”页点“＋ 上传工具”即可发布：填好名称与链接，再用 Markdown 把使用方法写清楚——能解决什么问题、怎么装、怎么用，比堆介绍实在。
要分发安装包就一并上传压缩包（ZIP、RAR、7Z、TAR.GZ，最大 35MB），别人在详情页一键下载；只放链接不带附件也可以。
工具按大家的收藏热度排序，好用的自然会被顶上来。发布后可在详情页或卡片菜单里编辑、下架。
写笔记时勾上“隐藏”，这篇就只存在于你自己的账号里：不进列表、不进搜索、不上首页精选，也不会出现在任何公开的页面，链接发给别人同样打不开。
适合放密码、草稿、日记这类只给自己看的内容；想公开，去“发布”打开它，把“隐藏”的勾去掉再保存，之后编辑会默认保持原状态，不会悄悄变回公开。
不想公开、只想临时给人看：点“分享”生成一条带密码和有效期的链接，到期自动失效，你也能随时撤销。
你的内容会同时保存在多个副本上，系统定期做备份与完整性校验，再配合异地容灾机制：就算某台机器出问题，数据也不会丢，可以长期放心存放；特别重要的资料，仍建议你另外再留一份备份。
全站跑在容器化、模块化的现代架构上，更新、部署、回滚都很快，扩展性和稳定性都按长期运营的标准来设计（Built for reliability, designed to scale）。
这个网站最早只是一个人的笔记仓库，后来慢慢长成现在的知识中枢。设计上很克制——没有广告、没有追踪、没有推荐算法，只是干干净净地存放一些东西；既然做好了，就公开出来，万一有人用得上呢。
不做大而全，不做平台梦，保持简单、保持克制、保持好奇。所有内容都由用户贡献、由用户维护：不会突然冒出付费墙，不会在角落塞广告位，也不会把你的数据卖给第三方。
产品会持续迭代，站内日志页记录着每一次改动，改了什么都有迹可循；想了解这个站是怎么一步步走到今天的，翻翻日志就能看到来龙去脉。
如果在这里看到涉嫌违规的内容，点对应卡片右侧的“举报”按钮就能提交，我们会尽快核实处理；也谢谢你花一点时间，一起把这里维护干净。
趋势
Ollama
Ollama — 一行命令跑起大模型，本地部署LLM从此告别环境地狱。
兄弟们，今天聊个能让你少掉点头发的工具——Ollama。
先说说我自己的血泪史。之前想跑个Llama或者通义千问玩玩，那叫一个折腾：先装Python环境，再配CUDA，然后下载模型权重，接着写加载脚本，最后可能因为transformers版本不对直接报错。一套下来，俩小时没了，热情也凉了。
后来发现Ollama，整个人都清爽了。它就是个本地大模型运行器，把“下载模型、配置环境、启动服务、调用API”全部压缩成一条命令。你不需要懂Python，不需要配虚拟环境，甚至不需要知道模型文件存在哪，它全包了。
它到底解决什么问题？
说白了，就是让“在本地跑LLM”这件事从“程序员专属”变成“谁都能上手”。你把模型当黑盒，Ollama帮你处理所有底层细节。而且它跨平台，Windows、macOS、Linux通吃，连Apple Silicon都优化好了。
下载方式
直接去官网，别去第三方下什么绿色版，没必要。
首页大按钮就是对应系统的安装包。macOS有.dmg，Windows有.exe，Linux给的是curl脚本。认准这个域名，别被钓鱼站骗了。
安装方法
macOS / Windows：下载完双击，一路下一步，装完就完事。记住，装完它会在后台开个服务，你不需要管它。
Linux（以Ubuntu为例）：
curl -fsSL https://ollama.com/install.sh | sh
装完跑一下：
ollama --version
能输出版本号就说明成了。如果提示command not found，多半是PATH没刷新，关掉终端重开一个。
基础使用教程
1. 拉取并运行第一个模型
打开终端（Windows用PowerShell），输入：
ollama run llama3.2
第一次运行会自动下载模型（大概2-3GB，看你网速），下完直接进入交互式对话界面。你打字，它回答，跟ChatGPT网页版一样。
想退出对话？输入/bye回车，或者按Ctrl+D。
2. 常用模型推荐
- llama3.2（Meta，通用聊天，3B/1B参数，轻量适合老电脑）
- qwen2.5（阿里通义，中文效果好，7B/14B/72B都有）
- mistral（法国团队，法语/英语都行，7B）
- gemma2（谷歌，9B/27B，推理能力不错）
查所有可用模型：
ollama list
3. 像API一样调用
Ollama默认跑在localhost:11434，自带OpenAI兼容的API。你用Python或者curl都能调：
curl http://localhost:11434/api/generate -d '{
"model": "llama3.2",
"prompt": "写一段关于秋天的诗",
"stream": false
}'
返回JSON，里面有response字段就是答案。这意味着你可以把它嵌进自己写的脚本、微信机器人、或者任何需要“本地AI”的地方。
4. 换模型不用删
想用另一个模型？直接：
ollama run qwen2.5:7b
它会自动下载新的，旧的还留着。硬盘不够了用ollama rm llama3.2删掉。
进阶技巧（这part才是精华）
技巧一：自定义模型参数
默认模型是“通用模式”，但你完全能定制。比如你想让模型回答风格更简洁，或者固定用英文，创建一个Modelfile：
FROM llama3.2
# 设置系统提示词
SYSTEM """你是一个只回答核心观点的助手，不要废话，每条回答不超过50字。"""
# 降低温度，让回答更确定
PARAMETER temperature 0.3
然后构建：
ollama create my-helper -f Modelfile
之后用ollama run my-helper，它就会按你的规矩来。这招做垂直领域助手特别香。
技巧二：GPU不够？用CPU也能跑
Ollama默认优先用GPU，但如果你机器没独显，它会自动切CPU。不过速度会慢，建议选小模型（3B、7B）。另外在macOS上，记得把内存分配调大：
# 设置Ollama最多使用16GB内存（适合M系列芯片）
export OLLAMA_MAX_LOADED_MODELS=1
export OLLAMA_KEEP_ALIVE=24h
Windows用户可以在系统环境变量里加OLLAMA_NUM_GPU=0强制CPU模式。
技巧三：结合Open WebUI做成本地ChatGPT
命令行聊天还是不够爽，你可以装个Web界面：
# 先安装docker（如果没装）
# 然后一行命令启动
docker run -d -p 3000:8080 --add-host=host.docker.internal:host-gateway -v open-webui:/app/backend/data --name open-webui --restart always ghcr.io/open-webui/open-webui:main
打开http://localhost:3000，注册个账号，然后在设置里把模型指向http://host.docker.internal:11434。搞定之后，你就有个带聊天记录、支持多会话、还能联网搜索的本地版ChatGPT了。
技巧四：用Ollama跑多模态
不只是文本，Ollama支持图像模型。比如llava或者bakllava：
ollama run llava
然后对话时直接拖一张图片进终端，它会识别图片内容。比如你发个电路板照片，让它帮你找问题，它真能说个一二三。
技巧五：离线部署
如果你在隔离内网（比如公司机房），可以先在有网机器上拉好模型：
ollama pull llama3.2
然后找到模型缓存目录（macOS是~/.ollama/models，Linux是/usr/share/ollama/.ollama/models），整个拷到U盘，再放到目标机器对应目录。启动Ollama后，ollama list就能看到，不用联网。
最后说点掏心窝的话
Ollama这东西，最大的价值不是“跑模型”本身，而是它把私有化部署AI的门槛降到了零。你现在可以完全离线、不担心隐私地使用一个不错的LLM，甚至能把它接进自己的自动化流程里。
当然，它也有缺点——模型大小受限于你的内存，跑不了70B以上的大模型；推理速度跟云端API没法比；有些冷门模型支持不及时。但作为日常工具，它绝对够用。
我现在写周报、做翻译、润色邮件，全用Ollama跑本地模型，再也不用担心把公司代码贴到云端AI里泄露了。就冲这点，值得你花十分钟装一个试试。
如果遇到问题，多看看官方文档，或者用ollama help。这工具社区很活跃，基本你踩过的坑，别人都踩过。
散会。