用Ollama本地部署Qwen3-4B：量化到API的完整流程
上周在公司一台3060 12G的机器上跑通了Qwen3-4B的本地部署，全程用Ollama搞定，记录一下踩的坑。第一步装Ollama，直接去官网拉安装脚本就行。装完先拉模型，Qwen3-4B有官方的GGUF格式，直接ollama pull qwen3:4b就下来了，大约4.7GB。但默认拉的是FP16精度，12G显存勉强够用但推理速度只有15 tokens/s左右。后来换成了Q4_K_M量化版，ollama pull qwen3:4b-q4_K_M，速度直接到38 tokens/s，显存占用3.2G，剩出来的还能开个窗。
https://www.metk.cn/img/posts/ollama_local_deploy_01.jpg
然后是API这块，Ollama自带了OpenAI兼容接口，默认在11434端口。但有个坑：Qwen3默认是思维链模式，每次回答前面会跟一长串思考过程。生产用的话要在Modelfile里加一行PARAMETER think false，或者API请求里传enable_thinking: false，不然前端拿到一堆思考过程用户体验很差。
最后配了个SearXNG做检索增强，用LangChain把检索结果拼到prompt里，整体延迟在2秒以内，效果比直接调云端API省太多了，一个月电费几十块搞定。配置步骤如下：
[*]安装Ollama：curl -fsSL https://ollama.com/install.sh | sh
[*]拉模型：ollama pull qwen3:4b-q4_K_M
[*]创建Modelfile关闭思维链：FROM qwen3:4b-q4_K_M 然后换行写 PARAMETER think false
[*]调用API：curl http://localhost:11434/v1/chat/completions -d "{\"model\":\"qwen3\",\"messages\":[{\"role\":\"user\",\"content\":\"hello\"}]}"
呵呵。。。 延迟和成本这两项是硬指标，演示好看但扛不住量。想请教下你们实际用下来最不满意的是什么？ 我拿它跑过类似任务，前几版效果一般，调完提示词才像样。 关键还是数据质量，模型再强喂垃圾也是白搭。 从我们实际用下来看，最大的收益是省了重复劳动而不是替代人。 把工作流拆细之后，能自动化的比例其实没有想象中高。 说实话投入产出比得看行业，我们做传统制造的算下来还不如人工。 有几个坑提醒下，接口一变整套流程都得跟着改，最好提前做抽象层。 效果好不好很看业务理解，纯技术视角容易跑偏。