Ollama deixa você baixar e conversar com modelos de IA poderosos no seu próprio computador: sem mensalidade, sem internet obrigatória e sem mandar seus dados para a nuvem de ninguém.
O que você vai conseguir fazer ao fim desta aula
Instalar o Ollama, baixar um modelo, conversar com ele pelo terminal, medir a velocidade em tokens por segundo, chamar a IA pela API local com curl e criar a sua própria versão personalizada de um modelo com um Modelfile.
🦙 O que é o Ollama (e por que rodar IA local)
Pense no Ollama como um “Spotify de modelos de IA, mas offline”: em vez de pagar por música que toca da nuvem, você baixa o arquivo e ele toca direto no seu aparelho. Aqui o “arquivo” é um modelo de linguagem (LLM, Large Language Model) e o “tocador” é o Ollama.
Um LLM é o mesmo tipo de tecnologia por trás do ChatGPT. A diferença é onde ele roda: na nuvem de uma empresa ou na sua máquina.
Ferramenta open-source
O Ollama é código aberto e gratuito. Ele empacota o modelo, as configurações e o motor de execução em um comando só, escondendo a complexidade técnica de rodar uma IA.
Motivo para rodar local
O que isso significa na prática
🔒 Privacidade
O texto que você digita não sai do seu computador. Nada de prompt indo para servidor de terceiro. Ideal para dados sensíveis (trabalho, pesquisa, código da empresa).
💸 Custo zero por uso
Sem cobrança por token, sem mensalidade, sem cartão de crédito. Você paga só a conta de luz do seu PC.
✈️ Funciona offline
Depois de baixar o modelo, funciona sem internet: no ônibus, no avião, num lab sem rede.
🛠️ Controle total
Você escolhe o modelo, ajusta o comportamento e integra com seus próprios programas.
O trade-off honesto
IA local não é mágica. Um modelo que cabe num notebook comum é mais fraco que os gigantes da nuvem (GPT, Gemini, Claude). A troca é: você ganha privacidade e custo zero, mas pode perder qualidade e velocidade dependendo do seu hardware. Para muitas tarefas do dia a dia, o modelo local já resolve.
⚙️ Como o Ollama funciona por dentro
Quando você manda o Ollama rodar um modelo, três coisas acontecem em sequência: ele baixa o modelo (uma vez só), carrega na memória e abre um chat para você.
flowchart LR
A[💻 Você instala<br/>o Ollama] --> B[📥 ollama pull<br/>baixa o modelo]
B --> C[🧠 Modelo salvo<br/>no disco]
C --> D[🚀 ollama run<br/>carrega na RAM/VRAM]
D --> E[💬 Você conversa<br/>no terminal]
D --> F[🔌 Ou chama via<br/>API localhost:11434]
style A fill:#4A90D9,color:#fff,stroke:#2c5f8a
style B fill:#E8A838,color:#fff,stroke:#b07a1a
style C fill:#9B59B6,color:#fff,stroke:#6c3483
style D fill:#5BAD6F,color:#fff,stroke:#3a7a4a
style E fill:#2ECC71,color:#fff,stroke:#1a8a4a
style F fill:#2ECC71,color:#fff,stroke:#1a8a4a
Detalhe importante
O Ollama roda um servidor local em segundo plano (na porta 11434). É por isso que ele consegue atender tanto o terminal quanto outros programas ao mesmo tempo. Guarde esse número: ele volta na parte da API.
📥 Instalação (Linux, Mac e Windows)
A instalação é de um comando (ou um clique). Escolha o seu sistema.
Sistema
Como instalar
🐧 Linux
No terminal: curl -fsSL https://ollama.com/install.sh | sh
🍎 macOS
Baixe o app em ollama.com/download e arraste para Aplicativos (ou brew install ollama). No Apple Silicon (M1/M2/M3+), a GPU é usada automaticamente via Metal.
🪟 Windows
Baixe o instalador .exe em ollama.com/download e execute. Em 2026 há build nativo ARM64 (sem perda de desempenho por emulação).
Como saber se deu certo
Abra o terminal (no Windows, o PowerShell) e digite ollama --version. Se aparecer um número de versão, está instalado. Se der “comando não encontrado”, feche e reabra o terminal.
🧪 Atividade 1: Instalar o Ollama e confirmar a versão
O que fazer:
Acesse ollama.com/download e instale pelo método do seu sistema (tabela acima).
Abra o terminal (Windows: PowerShell).
Rode:
ollama --version
Resultado observável: aparece algo como ollama version is 0.x.x. Esse número confirma que o servidor local está instalado e pronto.
Se der errado: “comando não encontrado” quase sempre se resolve fechando e reabrindo o terminal (o sistema precisa recarregar o PATH).
💬 Comandos essenciais
Toda a interação com o Ollama acontece por comandos curtos no terminal. Estes seis cobrem 95% do uso real:
Comando
O que faz
Analogia
ollama pull <modelo>
Baixa o modelo para o disco
Baixar um app da loja
ollama run <modelo>
Conversa com o modelo (baixa antes se preciso)
Abrir o app e usar
ollama list
Lista os modelos que você já baixou
Ver os apps instalados
ollama ps
Mostra o que está carregado na memória agora
Ver os apps abertos
ollama rm <modelo>
Apaga um modelo e libera espaço em disco
Desinstalar um app
ollama show <modelo>
Mostra detalhes (tamanho, parâmetros, licença)
Ver a ficha do app
Dentro do chat (ollama run)
Quando você está conversando, digite /bye para sair, /? para ver os comandos do chat e /set verbose para o Ollama mostrar a velocidade em tokens por segundo ao fim de cada resposta. Você também pode iniciar já no modo detalhado: ollama run llama3.2 --verbose.
flowchart TD
Q{O que eu<br/>quero fazer?} -->|Usar agora| R["ollama run modelo<br/>(baixa + conversa)"]
Q -->|Só baixar p/ depois| P[ollama pull modelo]
Q -->|Ver o que tenho| L[ollama list]
Q -->|Ver o que está aberto| PS[ollama ps]
Q -->|Liberar espaço| RM[ollama rm modelo]
style Q fill:#E8A838,color:#fff,stroke:#b07a1a
style R fill:#2ECC71,color:#fff,stroke:#1a8a4a
style P fill:#4A90D9,color:#fff,stroke:#2c5f8a
style L fill:#5BAD6F,color:#fff,stroke:#3a7a4a
style PS fill:#9B59B6,color:#fff,stroke:#6c3483
style RM fill:#E74C3C,color:#fff,stroke:#a93226
🧪 Atividade 2: Sua primeira conversa com uma IA local
Vamos usar o gemma3:1b (modelo do Google, ~815 MB). Ele é pequeno de propósito: cabe até em PC modesto.
O que fazer:
No terminal, rode:
ollama run gemma3:1b
Espere o download terminar (uma vez só). Quando aparecer o prompt >>>, digite uma pergunta, por exemplo: Explique o que é um algoritmo em uma frase.
Para sair, digite /bye.
Resultado observável: o modelo responde na sua tela, gerando o texto palavra por palavra, rodando 100% no seu computador. Desconecte o Wi-Fi e pergunte de novo: continua funcionando.
💻 PC fraco? Sem problema gemma3:1b travar, troque por llama3.2:1b (~1.3 GB) ou qwen3:0.6b (~500 MB), os menores da lista. Notebook com 8 GB de RAM roda modelos de 1B a 4B tranquilamente.
Se mesmo o
🚀 Modelos populares em 2026
A biblioteca oficial passa de 200 modelos e cresce toda semana. Estes são os mais usados em 2026, com a família e o ponto forte de cada um:
Modelo (família)
Quem fez
Forte em
Tag de exemplo
Llama 3.x
Meta
Conversa geral, o mais baixado
llama3.2, llama3.3
Gemma 3
Google
Leve e eficiente, ótimo custo-benefício
gemma3:4b
Qwen 3
Alibaba
Versátil, do 0.6B ao gigante; ótimo em código
qwen3, qwen2.5-coder
DeepSeek R1
DeepSeek
Raciocínio: mostra o “pensamento” passo a passo
deepseek-r1
Phi-4
Microsoft
Matemática e lógica acima do peso (14B rivaliza com 70B)
phi4, phi4-mini
Como ler o nome de um modelo
O número antes do b é a quantidade de parâmetros em bilhões (de “billion”). Mais parâmetros = mais “inteligente”, porém mais pesado e lento. gemma3:1b tem 1 bilhão; llama3.3:70b tem 70 bilhões. A tag depois dos dois-pontos escolhe qual tamanho baixar.
mindmap
root((Modelos<br/>Ollama 2026))
Pequenos 0.6B a 4B
gemma3:1b
llama3.2:1b
qwen3:0.6b
phi4-mini
::icon(fa fa-laptop)
Médios 7B a 14B
llama3.1:8b
qwen2.5-coder:7b
phi4 14b
::icon(fa fa-desktop)
Grandes 32B a 70B
qwen2.5-coder:32b
llama3.3:70b
deepseek-r1:70b
::icon(fa fa-server)
Especialistas existem
Além dos generalistas, há modelos especializados: qwen2.5-coder é o mais forte para programação; deepseek-r1 brilha em problemas que exigem raciocínio (matemática, lógica). Escolha pela tarefa, não pelo hype.
🧮 Tamanhos, requisitos e quantização
A pergunta que todo iniciante faz: “meu PC aguenta?“. A resposta depende de duas coisas: o tamanho do modelo e a sua memória (RAM, ou VRAM se você tem placa de vídeo dedicada).
O que é quantização (sem matemática)
Quantização é comprimir o modelo para ocupar menos memória, com perda mínima de qualidade. É como salvar uma foto em JPEG em vez de RAW: o arquivo fica muito menor e, no dia a dia, você quase não nota a diferença. O Ollama já entrega os modelos quantizados por padrão (geralmente no formato Q4, que é o equilíbrio entre tamanho e qualidade).
Tamanho
Memória recomendada (quantizado Q4)
Roda em…
1B a 4B
4 a 8 GB
Notebook comum, sem placa de vídeo
7B a 9B
8 GB
Cabe em 8 GB; 12-16 GB roda mais folgado e rápido
13B a 14B
8 a 10 GB
PC mais robusto ou placa de vídeo dedicada
32B
~24 GB
Placa de vídeo parruda
70B
38 a 48 GB
Estação de trabalho ou 2 placas de vídeo
O contexto também pesa
Quanto mais texto você manda de uma vez (o “contexto”), mais memória o modelo gasta além do peso dele. Um modelo de 8B pode usar +5 GB só de contexto numa conversa longa. Conversas curtas pesam pouco; documentos enormes pesam muito.
Regra de bolso
Comece pequeno. Rode um modelo de 1B ou 4B, veja se a velocidade te agrada, e só suba de tamanho se precisar de mais qualidade e seu hardware permitir. É mais fácil subir do que sofrer com um modelo travando.
🧪 Atividade 3: Listar modelos e medir a velocidade (tokens/s)
Parte A, ver o que você baixou:
ollama list
Resultado observável: uma tabela com NOME, ID, TAMANHO (em GB) e quando foi modificado. Você deve ver pelo menos o gemma3:1b da Atividade 2.
Parte B, medir a velocidade:
ollama run gemma3:1b --verbose
Faça uma pergunta qualquer (ex.: Liste 3 curiosidades sobre lhamas.) e, ao fim da resposta, leia as estatísticas.
Resultado observável: aparecem linhas como eval rate: 42.7 tokens/s. Esse número é quantas palavras-por-segundo o seu hardware gera. Anote-o.
Desafio: se conseguir, baixe um modelo um pouco maior (ollama pull gemma3:4b), rode com --verbose e compare o tokens/s com o 1b. O que aconteceu com a velocidade? E com a qualidade da resposta? Saia com /bye.
Aqui mora o superpoder do Ollama: ele não serve só o terminal. Ele expõe uma API (uma “tomada” para outros programas) na porta 11434. Qualquer aplicativo seu, em qualquer linguagem, pode pedir respostas para a IA via HTTP.
Por que isso importa
Com a API, você liga a IA local ao seu próprio código: um script Python, um site, um bot, uma automação. A IA vira uma peça do seu sistema, não só um chat. E continua tudo local e gratuito.
sequenceDiagram
participant App as 🖥️ Seu app / curl
participant API as 🔌 Ollama API<br/>(localhost:11434)
participant Modelo as 🧠 Modelo (LLM)
App->>API: POST /api/generate<br/>{ model, prompt }
API->>Modelo: carrega e processa o prompt
Modelo-->>API: gera a resposta (tokens)
API-->>App: JSON { response, eval_count, ... }
Note over App,Modelo: Tudo dentro da sua máquina, sem nuvem
Os dois endpoints mais usados:
Endpoint
Para que serve
POST /api/generate
Uma pergunta avulsa, resposta única
POST /api/chat
Conversa com histórico (várias mensagens, papéis user/assistant)
stream: false
Por padrão a API responde em pedaços (streaming), útil para ir mostrando o texto. Para receber a resposta inteira de uma vez (mais fácil de ler em teste), envie "stream": false.
🧪 Atividade 4: Chamar a IA pela API com curl
Com o Ollama instalado, o servidor já está rodando na porta 11434. Vamos pedir uma resposta por HTTP, sem abrir o chat.
O que fazer (Linux/Mac):
curl http://localhost:11434/api/generate -d '{ "model": "gemma3:1b", "prompt": "Explique o que e o Ollama em uma frase.", "stream": false}'
🪟 No Windows (PowerShell) curl do PowerShell é diferente. Use:
O
curl http://localhost:11434/api/generate -Method POST -Body '{"model":"gemma3:1b","prompt":"Explique o que e o Ollama em uma frase.","stream":false}'
Resultado observável: volta um JSON com vários campos. O que interessa:
response: o texto que a IA gerou.
eval_count: quantos tokens (palavras) ela produziu.
eval_duration: quanto tempo levou, em nanossegundos.
Conta de padeiro (tokens/s):tokens_por_segundo = eval_count / (eval_duration / 1.000.000.000). Confira se bate com o número que você viu no --verbose da Atividade 3.
📝 Modelfile: criando o seu próprio modelo
E se você quisesse uma IA que sempre se comporta de um jeito específico, sem precisar repetir a instrução toda vez? É para isso que serve o Modelfile.
Analogia: a "ficha de personagem"
O Modelfile é como uma ficha de personagem que você entrega ao modelo: “você é um tutor de redes paciente, responde sempre em português e em no máximo 3 frases”. Você configura uma vez, salva, e o modelo nasce já com essa personalidade. É parecido com um Dockerfile, mas para IA.
As instruções principais de um Modelfile:
Instrução
O que define
FROM
O modelo-base de onde você parte (ex.: llama3.2)
SYSTEM
A “personalidade” / regras permanentes do seu modelo
PARAMETER
Ajustes de comportamento (ex.: temperature, a “criatividade”)
Temperature: o botão da criatividade
temperature baixa (ex.: 0.2) deixa as respostas mais previsíveis e diretas (bom para fatos e código). Alta (ex.: 1.0) deixa mais criativa e variada (bom para brainstorm). O padrão costuma ser 0.8.
flowchart LR
A[📄 Escrevo um<br/>Modelfile] --> B["⚙️ ollama create<br/>tutor-redes -f Modelfile"]
B --> C[🦙 Novo modelo<br/>'tutor-redes' criado]
C --> D[💬 ollama run<br/>tutor-redes]
style A fill:#4A90D9,color:#fff,stroke:#2c5f8a
style B fill:#E8A838,color:#fff,stroke:#b07a1a
style C fill:#9B59B6,color:#fff,stroke:#6c3483
style D fill:#2ECC71,color:#fff,stroke:#1a8a4a
🧪 Atividade 5: Criar um tutor de redes personalizado
Vamos transformar um modelo genérico num tutor de redes que responde curto e em português.
Passo 1: crie um arquivo chamado Modelfile (sem extensão) com este conteúdo:
FROM gemma3:1b
PARAMETER temperature 0.3
SYSTEM """
Voce e um tutor de Redes de Computadores paciente e didatico.
Responda SEMPRE em portugues do Brasil.
Use no maximo 3 frases por resposta e de um exemplo simples quando possivel.
"""
Passo 2: construa o seu modelo (no terminal, na pasta onde salvou o arquivo):
ollama create tutor-redes -f Modelfile
Passo 3: use o seu modelo:
ollama run tutor-redes
Pergunte: O que e um endereco IP?
Resultado observável: a resposta vem curta, em português e com exemplo, exatamente como você definiu no SYSTEM, sem você ter pedido isso na pergunta. Confirme que ele apareceu na lista com ollama list (vai constar tutor-redes).
Desafio: mude o SYSTEM para outra persona (ex.: “responda como um pirata”) e a temperature para 1.0, recrie com outro nome e compare o tom das respostas.
🔗 Integrações: o Ollama dentro de outras ferramentas
Como o Ollama fala via API padrão, ele se conecta a um ecossistema enorme de aplicativos. Você não fica preso ao terminal.
Ferramenta
O que ela adiciona
🖥️ Open WebUI
Uma interface web tipo ChatGPT para o seu Ollama: histórico, vários modelos, upload de documentos (RAG). Roda local.
🔁 n8n
Plataforma de automação “low-code”: coloca a IA local dentro de fluxos (ler email, resumir, responder) sem programar muito.
💻 Editores de código
Extensões (VS Code e afins) usam o Ollama como copiloto de programação offline.
Compatível com a API da OpenAI
O Ollama também imita a API da OpenAI. Na prática: muitos apps feitos para o ChatGPT funcionam com o Ollama trocando só o endereço para http://localhost:11434. Isso abre as portas para centenas de ferramentas já existentes.
Combo popular em 2026
Um setup muito usado para “IA privada caseira” junta Ollama + Open WebUI + n8n (geralmente via Docker): o Ollama roda os modelos, o Open WebUI dá a cara de chat e o n8n automatiza tarefas. Tudo local, tudo seu.
🧠 Quiz Conceitual (opcional)
Teste seu entendimento (responda de cabeça, depois confira)
Qual a principal vantagem de privacidade de rodar um LLM com Ollama em vez de usar uma IA na nuvem?
No nome qwen3:8b, o que significa o 8b?
O que a quantização (formato Q4) faz com um modelo e por que isso é útil?
Em qual porta o servidor local do Ollama atende por padrão?
Qual instrução do Modelfile define a “personalidade” fixa do modelo?
Respostas
O texto digitado não sai da máquina (nenhum prompt vai para servidor de terceiro). 2. O modelo tem 8 bilhões de parâmetros. 3. Comprime o modelo para ocupar menos memória com perda mínima de qualidade, permitindo rodar em hardware mais modesto. 4. Porta 11434. 5. A instrução SYSTEM.
