Ollama พัฒนาความสามารถ AI ภายในเครื่องด้วย web search API และ MCP Server ใหม่ นักพัฒนาสามารถเข้าถึงข้อมูลแบบเรียลไทม์ได้แล้วเพื่อเพิ่มประสิทธิภาพของโมเดล ยิ่งไปกว่านั้น การอัปเดตนี้ยังช่วยให้การรวมเครื่องมือเข้ากับไคลเอนต์ต่างๆ เป็นไปอย่างราบรื่น
Ollama เป็นแพลตฟอร์มที่แข็งแกร่งสำหรับการรันโมเดลภาษาขนาดใหญ่ภายในเครื่อง วิศวกรใช้ประโยชน์จากมันเพื่อปรับใช้โมเดลโดยไม่ต้องพึ่งพาบริการคลาวด์ อย่างไรก็ตาม การเพิ่ม web search API เข้ามาช่วยขยายขอบเขตการทำงานของมัน API นี้ช่วยให้โมเดลสามารถสอบถามอินเทอร์เน็ตได้โดยตรง ผลที่ตามมาคือ แอปพลิเคชันสามารถจัดการกับเหตุการณ์ปัจจุบันและข้อมูลแบบไดนามิกได้อย่างมีประสิทธิภาพมากขึ้น
MCP Server เสริมสิ่งนี้ด้วยการจัดหาโปรโตคอลมาตรฐานสำหรับการแลกเปลี่ยนบริบท นักพัฒนาสามารถเชื่อมต่อโมเดลเข้ากับเครื่องมือภายนอกได้อย่างง่ายดาย ตัวอย่างเช่น MCP Server ผสานรวมกับไคลเอนต์ต่างๆ เช่น Cline, Codex และ Goose การตั้งค่านี้ช่วยให้เวิร์กโฟลว์ที่ซับซ้อนซึ่งโมเดลโต้ตอบกับผลการค้นหาเว็บแบบเรียลไทม์เป็นไปได้
เข้าสู่รายละเอียดทางเทคนิค web search API ของ Ollama ทำงานผ่าน REST endpoints ผู้ใช้ส่งคำขอ POST ไปยัง https://ollama.com/api/web_search พร้อมพารามิเตอร์การค้นหา ระบบจะส่งคืนผลลัพธ์ที่เกี่ยวข้อง โดยจำกัดสูงสุดที่ 10 รายการโดยค่าเริ่มต้น นอกจากนี้ web fetch API ที่ https://ollama.com/api/web_fetch จะดึงเนื้อหาจาก URL ที่ระบุ ทั้งสองอย่างต้องใช้คีย์ API จากบัญชี Ollama
Ollama รับประกันการเข้าถึงได้ในทุกแพลตฟอร์ม บน macOS ผู้ใช้ติดตั้งผ่าน Homebrew ผู้ใช้ Windows ดาวน์โหลดไฟล์ปฏิบัติการได้โดยตรง Linux รองรับตัวจัดการแพ็คเกจที่ใช้งานง่าย ไม่ว่าจะเป็นแพลตฟอร์มใด API ก็ผสานรวมได้อย่างสม่ำเสมอ
สิ่งที่นักพัฒนาควรรู้เกี่ยวกับ Ollama
Ollama ขับเคลื่อนการอนุมานภายในเครื่องสำหรับโมเดลเช่น Llama และ Qwen มันดาวน์โหลดโมเดลแบบ Quantized ได้อย่างมีประสิทธิภาพ ผู้ใช้ดึงโมเดลด้วยคำสั่งเช่น ollama pull qwen3:4b กระบวนการนี้ปรับให้เหมาะสมสำหรับฮาร์ดแวร์เช่น NVIDIA GPUs หรือ Apple Silicon
ยิ่งไปกว่านั้น Ollama ยังรองรับงานแบบ Multimodal ตัวอย่างเช่น มันประมวลผลรูปภาพและวิดีโอควบคู่ไปกับข้อความ แพลตฟอร์มมีการพัฒนาอย่างรวดเร็ว โดยมีการอัปเดตที่ช่วยเพิ่มประสิทธิภาพการจัดกำหนดการและการจัดการบริบท
นักพัฒนาชื่นชมความเป็นโอเพนซอร์สของ Ollama พวกเขาสามารถปรับแต่งโมเดลได้โดยไม่มีข้อจำกัดจากผู้จำหน่าย อย่างไรก็ตาม ข้อจำกัดเกิดขึ้นกับความรู้แบบคงที่ โมเดลที่ฝึกด้วยข้อมูลเก่ามีปัญหาในการจัดการข้อมูลล่าสุด ในจุดนี้ web search API เข้ามาช่วยแก้ไข
API ของ Ollama แก้ไขช่องว่างนี้ มันเสริมการตอบสนองด้วยข้อมูลใหม่ ผลที่ได้คือ การหลอนลดลงอย่างมาก วิศวกรสร้างแอปพลิเคชันที่เชื่อถือได้สำหรับการวิจัยหรือระบบอัตโนมัติ
เข้าสู่ MCP Server ส่วนประกอบนี้ทำให้การโต้ตอบเป็นมาตรฐาน MCP หรือ Model Context Protocol ช่วยอำนวยความสะดวกในการแลกเปลี่ยนข้อมูลระหว่างโมเดลและระบบ Ollama ใช้ MCP Server ใน Python ทำให้สามารถใช้เครื่องมือได้อย่างราบรื่น
ตัวอย่างเช่น MCP Server ช่วยให้สามารถดำเนินการไฟล์, การคำนวณ และการเข้าถึงเว็บได้ นักพัฒนากำหนดค่าสำหรับ LLM ภายในเครื่อง ขยายขีดความสามารถที่นอกเหนือจากการอนุมานพื้นฐาน
เจาะลึก Web Search API ของ Ollama
web search API ของ Ollama ให้ผลลัพธ์ที่มีโครงสร้าง ผู้ใช้ระบุคำค้นหาและ max_results ที่เป็นทางเลือก การตอบกลับประกอบด้วยข้อมูลย่อ, URL และข้อมูลเมตา รูปแบบนี้ช่วยในการแยกวิเคราะห์สำหรับเอเจนต์
ในการรวมเข้าด้วยกัน นักพัฒนาใช้ไลบรารี Python ติดตั้งด้วย pip install ollama จากนั้น เรียกใช้ ollama.web_search(query="example") ฟังก์ชันนี้จัดการการรับรองความถูกต้องผ่านตัวแปรสภาพแวดล้อม
ในทำนองเดียวกัน ผู้ใช้ JavaScript ใช้ประโยชน์จาก ollama-js นำเข้าโมดูลและเรียกใช้ Ollama().webSearch({query: "example"}) ตัวอย่างในที่เก็บข้อมูลสาธิตการจัดการข้อผิดพลาดและการลองใหม่
cURL มีตัวเลือกในระดับต่ำ สร้างคำขอพร้อมส่วนหัวสำหรับการอนุญาต วิธีการนี้เหมาะสำหรับการเขียนสคริปต์หรือการทดสอบ
อย่างไรก็ตาม Apidog ช่วยเพิ่มประสิทธิภาพกระบวนการนี้ ในฐานะเครื่องมือจัดการ API, Apidog แสดงภาพเอนด์พอยต์และพารามิเตอร์ มันสร้างโค้ดสั้นๆ สำหรับ API ของ Ollama ช่วยเร่งการพัฒนา
API รองรับบริบทที่ยาว ผลลัพธ์สามารถครอบคลุมโทเค็นหลายพันรายการ ดังนั้น โมเดลที่มีหน้าต่างที่ขยายออกไปจะทำงานได้ดีที่สุด Ollama แนะนำอย่างน้อย 32,000 โทเค็น
ยิ่งไปกว่านั้น เอนด์พอยต์ fetch ยังช่วยเสริมการค้นหา มันดึงเนื้อหาจาก URL โดยไม่ต้องใช้เบราว์เซอร์โดยตรง รวมทั้งสองอย่างเข้าด้วยกันสำหรับเอเจนต์ที่ครอบคลุม
ความปลอดภัยยังคงเป็นสิ่งสำคัญที่สุด Ollama กำหนดให้มีคีย์ API เพื่อป้องกันการเข้าถึงโดยไม่ได้รับอนุญาต ผู้ใช้สร้างคีย์ได้ที่ https://ollama.com/settings/keys
เข้าสู่การใช้งานจริง พิจารณาเอเจนต์การวิจัย เอเจนต์จะสอบถามการค้นหาเว็บ ดึงหน้าเว็บ และสังเคราะห์คำตอบ เวิร์กโฟลว์นี้มีประสิทธิภาพเหนือกว่าโมเดลแบบคงที่
ไขความลับ MCP Server สำหรับผู้ใช้ Ollama
MCP Server เชื่อมโยงโมเดลและเครื่องมือ มันใช้ Model Context Protocol ซึ่งเป็นเฟรมเวิร์กสำหรับการแบ่งปันบริบท ใน Ollama สคริปต์ Python จะรันเซิร์ฟเวอร์
การตั้งค่าเกี่ยวข้องกับการโคลนที่เก็บข้อมูลและการตั้งค่าสภาพแวดล้อม ตัวอย่างเช่น uv run web-search-mcp.py จะเปิดใช้งาน ไคลเอนต์เชื่อมต่อผ่านอินเทอร์เฟซที่เข้ากันได้
Cline กำหนดค่าด้วยคำสั่งในการตั้งค่า เพิ่ม OLLAMA_API_KEY ไปยังสภาพแวดล้อม Codex แก้ไขไฟล์ config.toml Goose ทำตามรูปแบบที่คล้ายกัน
การผสานรวมนี้ปลดล็อกการค้นหาเว็บในไคลเอนต์ โมเดลเรียกใช้เครื่องมือแบบไดนามิก เพิ่มประสิทธิภาพการโต้ตอบ
ยิ่งไปกว่านั้น MCP Server ยังรองรับส่วนขยาย นักพัฒนาเพิ่มเครื่องมือที่กำหนดเองสำหรับอีเมล, GitHub หรือรูปภาพ ความยืดหยุ่นนี้ทำให้ Ollama เป็นโครงสร้างพื้นฐานสำหรับเอเจนต์
บน Windows ที่ใช้ NVIDIA การติดตั้งจะรวมไดรเวอร์ CUDA Linux ใช้ Docker สำหรับการแยก macOS ได้รับประโยชน์จากการเร่งความเร็วแบบเนทีฟ
เข้าสู่การตั้งค่าขั้นสูง คลัสเตอร์ MCP Server หลายตัว สิ่งนี้กระจายโหลดสำหรับขนาดองค์กร
วิธีผสานรวม API ของ Ollama และ MCP Server
การผสานรวมเริ่มต้นด้วยการสร้างบัญชี ลงทะเบียนฟรีที่เว็บไซต์ของ Ollama สร้างคีย์ API ทันที
ถัดไป ติดตั้ง Ollama ภายในเครื่อง รัน ollama serve เพื่อเริ่มเซิร์ฟเวอร์ ดึงโมเดลที่เหมาะสำหรับเครื่องมือ เช่น gpt-oss
สำหรับการค้นหาเว็บ ให้ตั้งค่า OLLAMA_API_KEY ทดสอบด้วย Python:
import ollama
response = ollama.web_search(query="latest AI news", max_results=5)
print(response)
สิ่งนี้ส่งคืน JSON พร้อมผลลัพธ์
ในการรวม MCP Server ดาวน์โหลดตัวอย่างจาก GitHub รันสคริปต์และกำหนดค่าไคลเอนต์
สำหรับ Cline: แก้ไข config เพื่อชี้ไปยังเอนด์พอยต์ MCP ทดสอบพร้อมต์ที่เรียกใช้การค้นหา
Codex ต้องการการอัปเดต toml ระบุคำสั่งและอาร์กิวเมนต์
Goose ผสานรวมผ่านการตั้งค่า MCP ทำให้สามารถใช้เครื่องมือเว็บได้
ยิ่งไปกว่านั้น สร้างเอเจนต์ที่กำหนดเอง ใช้ลูปเพื่อจัดการการโต้ตอบแบบหลายรอบ แยกวิเคราะห์การเรียกใช้เครื่องมือและป้อนผลลัพธ์กลับ
การจัดการข้อผิดพลาดมีความสำคัญอย่างยิ่ง ใช้การลองใหม่สำหรับข้อจำกัดอัตรา ตรวจสอบการใช้งานให้อยู่ในระดับที่กำหนด
Apidog ช่วยเหลือในจุดนี้ มันจำลองการตอบสนอง ทดสอบการรับรองความถูกต้อง และจัดทำเอกสารเวิร์กโฟลว์ ดาวน์โหลด Apidog เพื่อสร้างต้นแบบการผสานรวม Ollama ได้อย่างรวดเร็ว
การสร้างเอเจนต์ค้นหาที่ทรงพลังด้วย Ollama
Ollama มีตัวอย่างพร้อม Qwen 3
ดึงโมเดล: ollama pull qwen3:4b
ใน Python กำหนดเครื่องมือ:
tools = [
{"type": "function", "function": {"name": "web_search", "description": "Search the web"}},
{"type": "function", "function": {"name": "web_fetch", "description": "Fetch URL content"}}
]
ลูปแชทประมวลผลข้อความ เรียกใช้เครื่องมือ และเพิ่มผลลัพธ์
เอเจนต์นี้ตอบคำถามเช่น "สภาพอากาศปัจจุบันในโตเกียวเป็นอย่างไร?" โดยการค้นหาและดึงข้อมูล
ขยายสู่การมองเห็น: วิเคราะห์รูปภาพผ่านโมเดล Multimodal จากนั้นค้นหาบริบท
เข้าสู่การเพิ่มประสิทธิภาพ เพิ่มความยาวบริบท โมเดลคลาวด์รองรับได้เต็มความจุ
เอเจนต์ลดค่าใช้จ่ายโดยลดการเรียกใช้ที่ไม่จำเป็น แคชผลลัพธ์ภายในเครื่อง
ยิ่งไปกว่านั้น รวมเข้ากับ API อื่นๆ ผสานรวมฐานข้อมูลหรือเครื่องมือคำนวณผ่าน MCP
รายละเอียดราคาสำหรับ Ollama ในทุกแพลตฟอร์ม
Ollama เสนอราคาแบบแบ่งระดับ พื้นฐานฟรี พร้อมขีดจำกัดการค้นหาที่เพียงพอ สิ่งนี้เหมาะสำหรับผู้ที่ชื่นชอบและสำหรับการทดสอบ
สำหรับการใช้งานจริง ให้อัปเกรดการสมัครสมาชิก การเข้าถึงคลาวด์เริ่มต้นที่ประมาณ 20 ดอลลาร์ต่อเดือน อ้างอิงจากการสนทนาในชุมชน ระดับที่สูงขึ้นให้การค้นหาไม่จำกัดและการสนับสนุนแบบพิเศษ
แพลตฟอร์มมีอิทธิพลต่อต้นทุนทางอ้อม การรันภายในเครื่องบน macOS, Windows, Linux ไม่มีค่าใช้จ่ายนอกเหนือจากฮาร์ดแวร์ โมเดลคลาวด์เรียกเก็บเงินตามการใช้งาน
web search API มีค่าใช้จ่ายต่อการเรียกใช้ในแผนขั้นสูง อย่างไรก็ตาม ระดับฟรีครอบคลุมความต้องการส่วนใหญ่
เปรียบเทียบกับทางเลือกอื่น: การค้นหาของ OpenAI มีค่าใช้จ่าย 10 ดอลลาร์ต่อ 1,000 การเรียกใช้ Ollama เสนอราคาที่ถูกกว่าสำหรับผู้ใช้ที่เน้นการใช้งานภายในเครื่อง
องค์กรคำนวณ ROI การอนุมานภายในเครื่องช่วยประหยัดค่าถ่ายโอนข้อมูล ในขณะที่ API เพิ่มค่าใช้จ่ายเพิ่มเติมเพียงเล็กน้อย
เข้าสู่การจัดทำงบประมาณ ตรวจสอบผ่านแดชบอร์ด Ollama มีสถิติการใช้งาน
กรณีการใช้งานจริงและตัวอย่าง
นักพัฒนานำสิ่งนี้ไปใช้ในแชทบอท บอทค้นหาข่าว ดึงบทความ สรุป
ในการศึกษา เครื่องมือสอบถามข้อเท็จจริง ลดข้อผิดพลาด
นักวิจัยสร้างเอเจนต์สำหรับการทบทวนวรรณกรรม ค้นหาเว็บไซต์ทางวิชาการ ดึงไฟล์ PDF
อีคอมเมิร์ซผสานรวมสำหรับการแนะนำผลิตภัณฑ์ ค้นหาแนวโน้ม ดึงรีวิว
ตัวอย่างโค้ดสำหรับเอเจนต์:
import ollama
import json
def run_agent(prompt):
messages = [{"role": "user", "content": prompt}]
while True:
response = ollama.chat(model="qwen3:4b", messages=messages, tools=tools)
if "tool_calls" in response["message"]:
for call in response["message"]["tool_calls"]:
if call["function"]["name"] == "web_search":
args = json.loads(call["function"]["arguments"])
result = ollama.web_search(**args)
messages.append({"role": "tool", "content": str(result)})
else:
return response["message"]["content"]
ลูปนี้จัดการการวนซ้ำ
ยิ่งไปกว่านั้น การใช้การมองเห็น: อธิบายรูปภาพ ค้นหาคู่ที่ตรงกัน
ธุรกิจต่างๆ ทำให้รายงานเป็นอัตโนมัติ เอเจนต์รวบรวมข้อมูลจากแหล่งข้อมูลเว็บ
ประโยชน์ของการนำคุณสมบัติใหม่ของ Ollama มาใช้
Ollama ช่วยเพิ่มความเป็นส่วนตัว ข้อมูลยังคงอยู่ในเครื่อง โดยการเรียกใช้ API เป็นทางเลือก
ความแม่นยำดีขึ้นผ่านการเสริมข้อมูลแบบเรียลไทม์ โมเดลจัดการหัวข้อที่เปลี่ยนแปลงไปได้
ความสามารถในการปรับขนาดตามมา MCP Server กระจายงาน
ประสิทธิภาพด้านต้นทุนโดดเด่น ระดับฟรีช่วยลดค่าใช้จ่าย
ประสิทธิภาพการทำงานของนักพัฒนาเพิ่มขึ้น การผสานรวมเช่น Apidog ช่วยเร่งเวิร์กโฟลว์
เข้าสู่ชุมชน ฟอรัมพูดคุยเกี่ยวกับการเพิ่มประสิทธิภาพ
ระบบนิเวศเติบโตขึ้น เครื่องมือเช่น OpenWebUI เชื่อมต่อกับ Ollama
ความท้าทายและแนวทางแก้ไขที่เป็นไปได้
ความท้าทายรวมถึงข้อจำกัดอัตรา วิธีแก้ไข: อัปเกรดการสมัครสมาชิก
ข้อจำกัดของฮาร์ดแวร์จำกัดโมเดล ใช้เวอร์ชันคลาวด์
ความซับซ้อนในการผสานรวมเกิดขึ้น ทำตามเอกสารและตัวอย่าง
ความปลอดภัย: หมุนเวียนคีย์ API เป็นประจำ
การดีบักเอเจนต์ต้องมีการบันทึก ใช้โหมดละเอียด
ยิ่งไปกว่านั้น ทดสอบข้ามแพลตฟอร์มเพื่อความสอดคล้อง
สรุปความก้าวหน้าของ Ollama
web search API และ MCP Server ของ Ollama แสดงถึงความก้าวหน้าที่สำคัญ นักพัฒนาใช้สิ่งเหล่านี้สำหรับแอปพลิเคชันที่ทรงพลัง ด้วยระดับฟรีและการรองรับข้ามแพลตฟอร์ม การนำไปใช้จึงเร็วขึ้น สำรวจเพิ่มเติม ผสานรวมกับ Apidog และสร้างเครื่องมือ AI เจเนอเรชันถัดไป