（2028期）ollama-local – 零依赖本地大模型管家

零依赖本地大模型管家 OpenClaw官方本地LLM管理技能，零依赖纯标准库实现，支持模型管理、聊天推理、嵌入生成及工具调用，数据完全本地化处理。 使用说明 核心用法 Ollama Local 是一款专为本地大语言模型设计的管理工具，通过 Python 标准库与 Ollama 服务进行 HTTP 通信。用户可通过命令行完成模型全生命周期管理：列出本地模型、拉取新模型、删除旧模型、查看模型详情。核心功能覆盖四大场景：聊天对话（chat）、文本补全（generate）、向量嵌入（embed）以及工具调用（tool use）。 该技能采用双脚本架构：：ollama.py 负责基础模型操作，，ollamatools.py 专精函数调用能力。特别值得一提的是 OpenClaw 子代理集成——通过 sessionsspawn 可快速生成专用智能体，支持单代理任务分配，更可构建"智库模式"（Think Tank Pattern）实现多模型并行协作，如架构师-编码者-审查者三角分工。 显著优点 零依赖安全架构：仅使用 Python 标准库（urllib、argparse、json），彻底规避第三方包供应链攻击风险，部署即插即用。 隐私优先设计：所有推理数据仅在本地 Ollama 服务处理，无需上传云端，满足敏感场景合规要求。 灵活的模型编排：内置模型选型指南，从 4B 轻量模型到 12B 推理专用模型均有推荐；支持通过环境变量无缝切换本地/远程服务，适应从个人开发到团队部署的多级场景。 生产级扩展能力：工具调用框架预留了函数注册接口，Mock 示例清晰展示如何接入真实业务工具；子代理机制让本地模型具备多智能体协作能力。 潜在缺点与局限性 功能边界依赖 Ollama：本身不提供模型推理能力，必须预装 Ollama 服务；大模型显存不足时将自动降级 CPU 推理，响应延迟显著增加。 工具调用尚处示例阶段：ollamatools.py 中的 runcode 等工具为 Mock 实现，生产环境需自行开发安全沙箱，否则存在代码注入风险。 远程配置的安全责任转移：虽然支持 OLLAMA_HOST 指向远程服务器，但由此带来的网络层安全（防火墙、TLS、认证）完全由用户承担。 模型能力参差不齐：本地模型（尤其是 7B 以下）在复杂推理、长上下文、多语言场景的表现与云端大模型存在明显差距，工具调用准确率也因模型而异。 适合的目标群体 隐私敏感型开发者：金融、医疗、政务等领域需本地化处理数据的工程师 离线环境工作者：网络受限或需完全断网运行的科研、军工场景 成本敏感团队：希望替代云端 API 调用费用、利用现有 GPU 资源的中小企业 多智能体研究者：探索本地模型协作架构的 AI 工程师与学术研究者 边缘计算部署者：需在 IoT 设备或内网服务器运行轻量 AI 的场景 使用风险 性能风险：大模型首次加载或量化级别过高时，CPU 推理可能导致超时；建议监控 ollama ps 确认模型加载状态，并准备降级方案。 依赖项风险：Ollama 服务本身的版本兼容性、CUDA 驱动、ROCm 支持等问题会间接影响本技能稳定性。 工具链安全风险：若将 Mock 工具直接用于生产，或自行实现工具时未做输入校验，可能导致本地命令执行漏洞。 网络配置风险：远程 OLLAMA_HOST 若暴露于公网且无认证，存在模型被盗用、提示词注入攻击等隐患。 原始说明 Manage and use local Ollama models. Use for model management (list/pull/remove), chat/completions, embeddings, and tool-use with local LLMs. Covers OpenClaw sub-agent integration and model selection guidance.