使用 Ollama 在本地分析文件夹中的文件，通常需要结合模型的能力（如 LLaMA、CodeLLaMA 等）和文件预处理步骤。

步骤 1：安装并启动 Ollama

往期文章有

步骤 2：准备本地文件

将待分析的文本/代码文件整理到文件夹中，建议：

• 使用 .txt、.md、.py 等纯文本格式（模型无法直接处理二进制文件如PDF/Word）。

• 若需分析代码，可使用 codellama 模型：

  ollama pull codellama

步骤 3：合并文件内容

Ollama 目前不支持直接上传文件夹，需先将文件内容合并为单一上下文。以下是常用方法：

方法 1：使用 Shell 命令合并文件

# 进入目标文件夹
cd /path/to/your/folder

# 将所有文本文件内容合并到临时文件（示例）
cat *.txt > combined_content.txt

方法 2：用 Python 脚本预处理

import os

def combine_files(folder_path, output_file):
    with open(output_file, 'w', encoding='utf-8') as outfile:
        for filename in os.listdir(folder_path):
            filepath = os.path.join(folder_path, filename)
            if os.path.isfile(filepath):
                with open(filepath, 'r', encoding='utf-8') as infile:
                    outfile.write(f"=== {filename} ===\n")
                    outfile.write(infile.read() + "\n\n")

combine_files("/path/to/your/folder", "combined_content.txt")

步骤 4：通过 Ollama 分析内容

方式 1：直接输入文本

# 读取合并后的文件并传递给模型
ollama run llama3 "$(cat combined_content.txt) 请分析上述内容并总结要点。"

方式 2：交互式分析

启动交互模式后粘贴内容：

ollama run llama3
>>> 以下是待分析的内容：
>>> $(cat combined_content.txt)
>>> 请根据这些内容回答我的问题...

步骤 5：进阶用法（结合 RAG）

若需更复杂的分析（如问答、检索），可搭建本地 RAG 流程：

1. 向量化文件：使用 llama_index 或 LangChain 库处理文件夹，生成向量数据库。

2. 通过 API 调用 Ollama：

   from llama_index import VectorStoreIndex, SimpleDirectoryReader
   documents = SimpleDirectoryReader("/path/to/folder").load_data()
   index = VectorStoreIndex.from_documents(documents)
   query_engine = index.as_query_engine()
   response = query_engine.query("你的问题")
   print(response)

注意

1. 上下文长度限制：模型有 token 限制（如 LLaMA3 约 8k），大文件需分块处理。

2. 性能优化：对于代码分析，使用 codellama 模型效果更佳。

3. 隐私保护：所有数据处理均在本地完成，无需联网。