1. 必须先做的 3 件事（缺一不可）

① 下载安装 Ollama 客户端

② 下载安装符合你要求的大模型

③ 确认 Ollama 服务正常运行

2. 下载Streamlit插件

3. 编写代码

1.ollama_utils.py

• 导入ollama库并初始化客户端，指定 Ollama 服务的地址（http://127.0.0.1:11434/）；

• 定义get_ollama_response(prompt)函数：接收对话提示（prompt），调用deepseek-r1:1.5b模型的聊天接口（非流式响应），返回模型回复的文本内容；

• 包含测试逻辑：直接运行该文件时，会向模型发送 “你是谁” 的提问，并打印回复结果，用于验证模型调用是否正常。

2.run.py

• 导入os库，通过os.system执行 Streamlit 启动命令；

• 启动参数说明：
• python -m streamlit run main.py：运行main.py作为 Streamlit 应用入口；
• -server.headless true：无头模式（适合服务器 / 后台运行，不弹出本地浏览器）；
• -browser.gatherUsageStats false：关闭 Streamlit 的使用统计收集，保护隐私。

3.main.py

• 初始化与界面基础设置：
• 设置页面标题 “智慧聊天机器人”，添加分割线；
• 初始化session_state.messages（会话状态）：存储聊天历史，默认添加机器人的开场白（“你好，我是机器人，你可以问我任何问题。”）；

• 聊天历史展示：遍历messages列表，以 “用户 / 助手” 的聊天气泡形式展示所有历史消息；

• 用户输入处理：
• 通过sl.chat_input获取用户输入的问题；
• 将用户输入添加到聊天历史，并显示在界面上；

• AI 回复调用与展示：
• 以 “加载中” 的 Spinner 提示模型处理中；
• 调用ollama_utils.get_ollama_response，传入完整的聊天历史（实现上下文记忆），而非单条输入；
• 显示模型回复，并将回复添加到聊天历史，保证后续对话能关联前文。

整体流程总结

1. 运行run.py → 启动 Streamlit Web 服务，加载main.py；

2. 用户在main.py的 Web 界面输入问题 → 界面记录用户输入并调用ollama_utils.py的模型接口；

3. ollama_utils.py向 Ollama 服务发送包含上下文的对话请求 → 获取 AI 回复并返回给main.py；

4. main.py将 AI 回复展示在界面上，并更新聊天历史 → 实现带上下文记忆的智能聊天。