1. 项目缘起当图形化编程遇上本地大语言模型最近在折腾一个给小朋友做的互动项目想在里面加点智能对话的功能。一开始想图省事直接调个在线API但转念一想这玩意儿要是以后想离线用或者网络不好岂不是直接歇菜而且涉及到API Key、网络请求这些在Mind这种面向教育和创客的图形化编程环境里对初学者来说还是有点门槛。就在我琢磨怎么简化这个流程的时候看到了ollama这个工具。它能把像Llama、Qwen、DeepSeek这些大模型直接“搬”到自己的电脑上跑完全本地化没有网络依赖数据隐私也有保障。这不正是我想要的吗但问题来了ollama本身是个命令行工具提供了HTTP API。对于习惯了拖拽积木块的Mind用户尤其是中小学生和编程初学者让他们去写HTTP请求、解析JSON响应这步子迈得有点大。于是我就想能不能在Mind里做一个“AI扩展库”把调用ollama本地模型的复杂操作封装成几个简单的图形化积木比如“向AI提问”、“设置模型”、“获取回答”这样的积木让用户像搭乐高一样就能构建出属于自己的智能应用。这个想法就是今天要分享的“Mind通过AI扩展库使用ollama本地大语言模型”项目的起点。它的核心价值就是降低本地AI模型的应用门槛让没有深厚编程背景的人也能在创意项目中轻松集成智能对话、内容生成等AI能力。2. ollama的本地部署从下载到运行的完整避坑指南ollama的安装听起来就是下载、安装、运行三步但实际操作起来尤其是在国内网络环境下新手很容易卡在第一步。下面我就把整个部署过程掰开揉碎了讲特别是针对那些常见的“坑”。2.1 安装策略选择官网直下与镜像加速ollama的官方下载地址速度是个玄学经常慢得让人怀疑人生。所以第一步不是盲目点开官网而是先评估自己的网络环境。如果你的网络能顺畅访问GitHub等海外资源直接去 ollama官网 下载对应操作系统Windows、macOS、Linux的安装包是最省心的。安装过程就是典型的“下一步”到底它会自动在后台注册服务。但对于绝大多数国内用户我更推荐使用国内镜像源进行安装。这能极大提升下载速度避免因网络超时导致的安装失败。以Windows为例最稳妥的方法不是找某个来路不明的“绿色版”或“破解版”而是通过修改系统环境变量让ollama的安装程序从国内镜像拉取文件。原理ollama安装程序在运行时会检查一个名为OLLAMA_HOST或OLLAMA_MODELS的环境变量。我们可以通过设置一个指向国内镜像站的变量来“劫持”它的下载源。操作步骤在Windows搜索框输入“环境变量”选择“编辑系统环境变量”。点击“环境变量”按钮。在“系统变量”部分点击“新建”。变量名填写OLLAMA_MODELS变量值填写https://mirror.ghproxy.com/https://github.com/ollama/ollama.git点击“确定”保存。重要完成此设置后必须重启电脑或者至少重启你即将运行安装程序的命令行终端如CMD或PowerShell环境变量才能生效。安装设置好环境变量并重启后再去官网下载安装包并运行。你会发现下载模型库的速度快了很多。对于macOS和Linux用户除了上述环境变量方法也可以在安装ollama后通过命令行直接指定镜像源来拉取模型例如OLLAMA_HOSThttps://mirror.ghproxy.com ollama pull llama3.2。但先通过环境变量搞定安装过程是基础。2.2 模型拉取与目录管理安装成功后你会在开始菜单或应用列表里找到Ollama。首次运行它通常会在后台启动服务。接下来就是拉取模型。在命令行Windows的CMD或PowerShellmacOS/Linux的终端里最基本的命令是ollama pull 模型名。这里就遇到了热词里提到的“ollama下载慢怎么办”和“ollama可以更改目录”两个关键问题。下载慢的终极解决即使安装了软件拉取模型一个动辄几个GB的文件也可能很慢。此时可以继续利用镜像源。在拉取模型时使用完整的镜像URL。例如你想拉取Llama 3.2可以尝试ollama pull llama3.2 --from https://mirror.ghproxy.com/ollama/models/blob/main/llama3.2注意镜像地址的路径需要根据模型调整并非固定。更通用的方法是寻找提供ollama模型镜像的国内站点如一些高校或开源镜像站然后使用OLLAMA_HOST环境变量指向该镜像站地址再执行pull命令。更改模型存储目录默认情况下ollama模型会下载到系统用户目录下如Windows的C:\Users\用户名\.ollama\models。如果C盘空间紧张我们需要更改它。Windows最彻底的方法是修改ollama服务的启动参数。首先以管理员身份打开PowerShell停止ollama服务Stop-Service -Name Ollama。然后找到ollama的安装目录通常在C:\Program Files\Ollama编辑ollama.service文件可能需要用记事本管理员权限打开在[Service]部分找到ExecStart这一行在命令末尾添加--model-path D:\MyOllamaModels请将D:\MyOllamaModels替换为你想要的实际路径。保存后重启服务Start-Service -Name Ollama。之后所有模型都会存放到新路径。macOS/Linux可以通过设置环境变量OLLAMA_MODELS来指定例如在~/.bashrc或~/.zshrc中添加export OLLAMA_MODELS/path/to/your/models然后重启终端或执行source命令。2.3 运行验证与常见错误排查部署完成后在命令行输入ollama run llama3.2以llama3.2为例如果出现交互式对话提示符就说明本地模型服务运行成功了。但在这个过程中你可能会遇到热词里列举的那些API错误这些错误通常发生在后续通过HTTP API调用时但在部署阶段理解它们有助于避坑。400 the supported api model names are...这个错误非常典型。它意味着你请求的API端点比如/api/generate期望的模型名称与你实际运行的或指定的模型名称不匹配。根本原因是ollama的API和命令行模型名称有时存在差异。例如你通过ollama run deepseek-v2运行了一个模型但它的内部API标识可能是deepseek-v2:latest。当你用Mind扩展库调用时如果发送的模型名是deepseek-v2而不是deepseek-v2:latest就可能报这个错。解决方案首先通过ollama list命令查看本地已安装模型的准确名称包含标签如:latest,:7b在API调用时使用这个完整的名称。400 this models maximum context length is...这个错误提示你发送的请求内容对话历史当前问题超出了模型设定的最大上下文长度。比如模型最大支持4096个token你的内容折算后超过了。解决方案在Mind扩展库设计时需要加入“清空历史”或“总结历史”的积木功能或者在发送前对过长内容进行截断。connection closed mid-response连接在响应过程中被关闭。这可能是网络不稳定、ollama服务崩溃或者更常见的客户端读取超时时间设置太短。大模型生成一段较长的文本需要时间如果Mind扩展库中设置的HTTP请求超时时间比如10秒不够就可能在下行过程中被断开。解决方案在扩展库的实现中需要将超时时间设置得足够长例如120秒并做好异步处理和心跳保持。把ollama在本地稳稳当当地跑起来是后面一切工作的基础。这部分多花点时间理清楚后面的集成就会顺畅得多。3. Mind AI扩展库的设计与实现原理让Mind能跟本地的ollama“对话”核心就是构建一个桥梁——AI扩展库。这个库本质上是一个封装了HTTP客户端功能的积木集合。下面我拆解一下它的设计思路和内部实现你会看到它把复杂的网络通信变成了简单的参数配置。3.1 扩展库的架构与积木设计一个Mind扩展库通常由两部分构成extension.json配置文件描述积木的外观、类型和参数和对应的JavaScript执行文件定义积木被点击时运行什么代码。对于我们的AI扩展库我规划了以下几个核心积木它们共同构成一个完整的工作流“设置Ollama服务器地址”积木这是一个“设置类”积木。它可能是一个下拉框或输入框让用户填写http://localhost:11434。它的作用是将这个地址存储为扩展库的全局变量后续所有请求都发往这里。为什么需要它因为用户可能将ollama部署在局域网的另一台电脑上或者使用了非默认的11434端口这个积木提供了灵活性。“选择AI模型”积木另一个“设置类”积木。用户可以从一个下拉列表中选择如llama3.2, qwen2.5:7b等或者手动输入模型名。这个值也会被存储起来在生成请求体时使用。下拉列表的选项可以通过调用ollama list的API (GET /api/tags) 动态获取但为了简化初版可以内置几个常见模型。“向AI提问[问题]”积木这是最核心的“执行类”积木。它接收一个字符串参数用户的问题内部会执行以下操作拼接出完整的API URL服务器地址 /api/generate构造一个符合ollama API规范的JSON请求体包含model来自积木2、prompt用户输入的问题、stream通常设为false以一次性获取完整响应简化处理等字段。使用Mind提供的网络请求功能通常是封装好的http请求模块向这个URL发送POST请求。等待并接收服务器的JSON响应。从响应JSON中解析出response字段的内容即AI的回答。将这个回答内容作为该积木的“返回值”或存储到一个全局变量中供其他积木如“显示AI回答”使用。“显示AI回答”积木一个“执行类”积木。它可能直接弹出一个对话框显示内容或者将内容输出到Mind的舞台控制台甚至赋值给一个角色变量让角色“说”出来。它的作用是将获取到的文本响应呈现给用户。高级“清空对话历史”积木大模型对话有上下文关联。如果希望每次问答独立就需要在请求体中不传递历史消息。这个积木可以清空内部维护的一个对话历史数组。如果希望实现多轮对话则需要在“向AI提问”积木内部将每次的问答对追加到这个历史数组并在下一次请求时一并发送。3.2 HTTP通信的核心代码逻辑在扩展库的JavaScript文件里最关键的就是实现“向AI提问”积木的网络请求部分。下面是一个极度简化的伪代码逻辑展示了核心流程// 假设我们有一个全局变量存储服务器地址和模型 let ollamaServer http://localhost:11434; let currentModel llama3.2; // “向AI提问”积木对应的函数 async function askAI(prompt) { const url ollamaServer /api/generate; const requestData { model: currentModel, prompt: prompt, stream: false // 非流式一次性返回 }; try { // 使用Mind环境提供的http请求方法此处为示意 const response await http.post(url, requestData, { headers: { Content-Type: application/json }, timeout: 120000 // 超时时间设为120秒应对长文本生成 }); // 解析响应 const result JSON.parse(response); if (result result.response) { return result.response; // 返回AI的回答 } else { throw new Error(无法从响应中获取回答); } } catch (error) { // 错误处理将错误信息反馈到Mind舞台或控制台 console.error(调用AI失败, error.message); return 抱歉AI暂时无法回答。错误${error.message}; } }这段代码封装了网络请求、数据组装、响应解析和错误处理。在Mind的图形化界面中用户只需要拖出“向AI提问”积木在空格里写下“讲一个关于太空探险的故事”然后点击积木就能触发这段代码执行最终得到故事文本。3.3 错误处理与用户提示一个健壮的扩展库必须考虑错误处理。除了代码中的try...catch在积木设计上也要有反馈。例如当网络请求失败、模型不存在或者返回了之前提到的400错误时不应该让程序静默失败或崩溃。我们可以让“向AI提问”积木在出错时返回一个特定的错误信息字符串或者触发一个“当AI调用出错时”的事件积木让用户可以在Mind里编写错误处理逻辑比如让角色说“网络好像出问题了请检查一下Ollama服务哦”。4. 在Mind中实战构建你的第一个本地AI对话应用理论讲完了我们来点实际的。假设我们要在Mind里做一个简单的桌面对话助手点击绿旗后角色小猫会向你问好然后你可以通过输入框向它提问小猫会调用本地ollama模型来回答。4.1 环境准备与积木导入首先确保你的ollama已经在后台运行并且拉取了一个模型例如ollama run llama3.2测试成功。然后打开Mind以V1.8版本为例。创建扩展库文件在Mind的用户扩展目录下通常位于我的文档/MindPlus/user_library新建一个文件夹比如叫OllamaAI。在这个文件夹里创建两个文件extension.json和index.js。编写配置文件 (extension.json)这个文件告诉Mind如何显示你的积木。以下是一个简化版的示例{ name: Ollama AI, type: scratch, version: 1.0.0, author: YourName, icon: icon.png, inset_icon: inset_icon.png, description: 调用本地Ollama大语言模型, blocks: [ { opcode: set_ollama_server, blockType: command, text: 设置Ollama服务器地址为 [SERVER], arguments: { SERVER: { type: string, defaultValue: http://localhost:11434 } } }, { opcode: set_ai_model, blockType: command, text: 使用AI模型 [MODEL], arguments: { MODEL: { type: string, menu: MODEL_MENU, defaultValue: llama3.2 } }, menus: { MODEL_MENU: [llama3.2, qwen2.5:7b, deepseek-coder:6.7b] } }, { opcode: ask_ai, blockType: reporter, text: 向AI提问[QUESTION], arguments: { QUESTION: { type: string, defaultValue: 你好你是谁 } } } ] }这里定义了三个积木两个设置命令一个返回字符串的报告器积木。编写核心逻辑 (index.js)这个文件包含积木对应的JavaScript函数。内容基于第3.2节的伪代码进行实现并适配Mind的扩展API格式。你需要使用Mind提供的http模块具体API请查阅Mind开发者文档来发起请求。导入扩展在Mind软件中点击“扩展”选择“用户库”然后找到你创建的OllamaAI文件夹并导入。如果一切正常你会在积木区看到新出现的“Ollama AI”分类和里面三个自定义积木。4.2 脚本编写与调试现在在Mind的脚本区我们可以像搭积木一样编写逻辑初始化当绿旗被点击时拖入“设置Ollama服务器地址为...”积木确认地址是http://localhost:11434。再拖入“使用AI模型...”积木选择llama3.2。角色对话让小猫说“你好我是你的本地AI助手有什么可以帮你的”。然后使用“询问...并等待”积木弹出一个输入框让用户提问将回答存储在一个变量用户问题中。调用AI拖入“向AI提问...”积木将用户问题变量填入它的空格。这个积木会返回AI的回答文本。我们立刻用一个“说...”积木让小猫说出这个返回的内容。循环对话将“询问”、“调用AI”、“小猫回答”这三个步骤放入一个“重复执行”循环中就能实现持续的对话。调试技巧查看日志在Mind中复杂的网络请求调试可以借助“数据”模块的“日志”功能。你可以在index.js的关键步骤如发送请求前、收到响应后使用console.log()输出信息这些信息会显示在Mind的“日志”列表中帮助你判断程序执行到哪一步发送的数据是什么接收的数据又是什么。先用简单问题测试首次运行时用“你好”、“你是谁”这样的简单问题测试确保整个通路是通的。检查ollama服务如果调用失败首先去命令行窗口看看运行ollama run的窗口有没有输出错误信息。也可以直接在浏览器访问http://localhost:11434/api/tags看看是否能返回已安装模型的JSON列表这是检验API服务是否可用的最快方法。4.3 效果优化与进阶功能基础功能跑通后可以考虑一些优化让体验更好加载指示AI生成回答需要时间尤其是大模型。可以在“向AI提问”前让小猫说“正在思考...”得到回答后再清除这个说话气泡。这能给用户明确的反馈。历史记录实现多轮对话。这需要在index.js中维护一个数组每次提问时将之前的对话历史和当前问题组合成一个新的数组发送给APIollama的/api/chat端点更适合这个场景它接收messages数组。同时需要增加一个“清空历史”的积木。参数调优在“向AI提问”积木上增加更多参数输入口比如“温度”控制创造性、“最大生成长度”。这需要修改extension.json增加参数并在index.js的请求体中加入对应的字段如temperature,num_predict。错误可视化当网络错误或API返回400时让小猫说出更友好的提示比如“连接AI服务失败请检查Ollama是否启动”而不是一堆代码错误信息。通过这样一个完整的项目实践你不仅学会了如何将ollama集成到Mind更重要的是掌握了一种思路如何把复杂的后端服务本地AI模型封装成简单的前端工具图形化积木极大地扩展了创意实现的可能性。孩子们可以用它来做智能故事生成器、学习问答机器人甚至是为自己的游戏角色添加智能对话能力而无需关心背后的HTTP和JSON。这正是这个项目最大的魅力所在。
Mind+图形化编程集成ollama本地大模型：从部署到AI扩展库实战
1. 项目缘起当图形化编程遇上本地大语言模型最近在折腾一个给小朋友做的互动项目想在里面加点智能对话的功能。一开始想图省事直接调个在线API但转念一想这玩意儿要是以后想离线用或者网络不好岂不是直接歇菜而且涉及到API Key、网络请求这些在Mind这种面向教育和创客的图形化编程环境里对初学者来说还是有点门槛。就在我琢磨怎么简化这个流程的时候看到了ollama这个工具。它能把像Llama、Qwen、DeepSeek这些大模型直接“搬”到自己的电脑上跑完全本地化没有网络依赖数据隐私也有保障。这不正是我想要的吗但问题来了ollama本身是个命令行工具提供了HTTP API。对于习惯了拖拽积木块的Mind用户尤其是中小学生和编程初学者让他们去写HTTP请求、解析JSON响应这步子迈得有点大。于是我就想能不能在Mind里做一个“AI扩展库”把调用ollama本地模型的复杂操作封装成几个简单的图形化积木比如“向AI提问”、“设置模型”、“获取回答”这样的积木让用户像搭乐高一样就能构建出属于自己的智能应用。这个想法就是今天要分享的“Mind通过AI扩展库使用ollama本地大语言模型”项目的起点。它的核心价值就是降低本地AI模型的应用门槛让没有深厚编程背景的人也能在创意项目中轻松集成智能对话、内容生成等AI能力。2. ollama的本地部署从下载到运行的完整避坑指南ollama的安装听起来就是下载、安装、运行三步但实际操作起来尤其是在国内网络环境下新手很容易卡在第一步。下面我就把整个部署过程掰开揉碎了讲特别是针对那些常见的“坑”。2.1 安装策略选择官网直下与镜像加速ollama的官方下载地址速度是个玄学经常慢得让人怀疑人生。所以第一步不是盲目点开官网而是先评估自己的网络环境。如果你的网络能顺畅访问GitHub等海外资源直接去 ollama官网 下载对应操作系统Windows、macOS、Linux的安装包是最省心的。安装过程就是典型的“下一步”到底它会自动在后台注册服务。但对于绝大多数国内用户我更推荐使用国内镜像源进行安装。这能极大提升下载速度避免因网络超时导致的安装失败。以Windows为例最稳妥的方法不是找某个来路不明的“绿色版”或“破解版”而是通过修改系统环境变量让ollama的安装程序从国内镜像拉取文件。原理ollama安装程序在运行时会检查一个名为OLLAMA_HOST或OLLAMA_MODELS的环境变量。我们可以通过设置一个指向国内镜像站的变量来“劫持”它的下载源。操作步骤在Windows搜索框输入“环境变量”选择“编辑系统环境变量”。点击“环境变量”按钮。在“系统变量”部分点击“新建”。变量名填写OLLAMA_MODELS变量值填写https://mirror.ghproxy.com/https://github.com/ollama/ollama.git点击“确定”保存。重要完成此设置后必须重启电脑或者至少重启你即将运行安装程序的命令行终端如CMD或PowerShell环境变量才能生效。安装设置好环境变量并重启后再去官网下载安装包并运行。你会发现下载模型库的速度快了很多。对于macOS和Linux用户除了上述环境变量方法也可以在安装ollama后通过命令行直接指定镜像源来拉取模型例如OLLAMA_HOSThttps://mirror.ghproxy.com ollama pull llama3.2。但先通过环境变量搞定安装过程是基础。2.2 模型拉取与目录管理安装成功后你会在开始菜单或应用列表里找到Ollama。首次运行它通常会在后台启动服务。接下来就是拉取模型。在命令行Windows的CMD或PowerShellmacOS/Linux的终端里最基本的命令是ollama pull 模型名。这里就遇到了热词里提到的“ollama下载慢怎么办”和“ollama可以更改目录”两个关键问题。下载慢的终极解决即使安装了软件拉取模型一个动辄几个GB的文件也可能很慢。此时可以继续利用镜像源。在拉取模型时使用完整的镜像URL。例如你想拉取Llama 3.2可以尝试ollama pull llama3.2 --from https://mirror.ghproxy.com/ollama/models/blob/main/llama3.2注意镜像地址的路径需要根据模型调整并非固定。更通用的方法是寻找提供ollama模型镜像的国内站点如一些高校或开源镜像站然后使用OLLAMA_HOST环境变量指向该镜像站地址再执行pull命令。更改模型存储目录默认情况下ollama模型会下载到系统用户目录下如Windows的C:\Users\用户名\.ollama\models。如果C盘空间紧张我们需要更改它。Windows最彻底的方法是修改ollama服务的启动参数。首先以管理员身份打开PowerShell停止ollama服务Stop-Service -Name Ollama。然后找到ollama的安装目录通常在C:\Program Files\Ollama编辑ollama.service文件可能需要用记事本管理员权限打开在[Service]部分找到ExecStart这一行在命令末尾添加--model-path D:\MyOllamaModels请将D:\MyOllamaModels替换为你想要的实际路径。保存后重启服务Start-Service -Name Ollama。之后所有模型都会存放到新路径。macOS/Linux可以通过设置环境变量OLLAMA_MODELS来指定例如在~/.bashrc或~/.zshrc中添加export OLLAMA_MODELS/path/to/your/models然后重启终端或执行source命令。2.3 运行验证与常见错误排查部署完成后在命令行输入ollama run llama3.2以llama3.2为例如果出现交互式对话提示符就说明本地模型服务运行成功了。但在这个过程中你可能会遇到热词里列举的那些API错误这些错误通常发生在后续通过HTTP API调用时但在部署阶段理解它们有助于避坑。400 the supported api model names are...这个错误非常典型。它意味着你请求的API端点比如/api/generate期望的模型名称与你实际运行的或指定的模型名称不匹配。根本原因是ollama的API和命令行模型名称有时存在差异。例如你通过ollama run deepseek-v2运行了一个模型但它的内部API标识可能是deepseek-v2:latest。当你用Mind扩展库调用时如果发送的模型名是deepseek-v2而不是deepseek-v2:latest就可能报这个错。解决方案首先通过ollama list命令查看本地已安装模型的准确名称包含标签如:latest,:7b在API调用时使用这个完整的名称。400 this models maximum context length is...这个错误提示你发送的请求内容对话历史当前问题超出了模型设定的最大上下文长度。比如模型最大支持4096个token你的内容折算后超过了。解决方案在Mind扩展库设计时需要加入“清空历史”或“总结历史”的积木功能或者在发送前对过长内容进行截断。connection closed mid-response连接在响应过程中被关闭。这可能是网络不稳定、ollama服务崩溃或者更常见的客户端读取超时时间设置太短。大模型生成一段较长的文本需要时间如果Mind扩展库中设置的HTTP请求超时时间比如10秒不够就可能在下行过程中被断开。解决方案在扩展库的实现中需要将超时时间设置得足够长例如120秒并做好异步处理和心跳保持。把ollama在本地稳稳当当地跑起来是后面一切工作的基础。这部分多花点时间理清楚后面的集成就会顺畅得多。3. Mind AI扩展库的设计与实现原理让Mind能跟本地的ollama“对话”核心就是构建一个桥梁——AI扩展库。这个库本质上是一个封装了HTTP客户端功能的积木集合。下面我拆解一下它的设计思路和内部实现你会看到它把复杂的网络通信变成了简单的参数配置。3.1 扩展库的架构与积木设计一个Mind扩展库通常由两部分构成extension.json配置文件描述积木的外观、类型和参数和对应的JavaScript执行文件定义积木被点击时运行什么代码。对于我们的AI扩展库我规划了以下几个核心积木它们共同构成一个完整的工作流“设置Ollama服务器地址”积木这是一个“设置类”积木。它可能是一个下拉框或输入框让用户填写http://localhost:11434。它的作用是将这个地址存储为扩展库的全局变量后续所有请求都发往这里。为什么需要它因为用户可能将ollama部署在局域网的另一台电脑上或者使用了非默认的11434端口这个积木提供了灵活性。“选择AI模型”积木另一个“设置类”积木。用户可以从一个下拉列表中选择如llama3.2, qwen2.5:7b等或者手动输入模型名。这个值也会被存储起来在生成请求体时使用。下拉列表的选项可以通过调用ollama list的API (GET /api/tags) 动态获取但为了简化初版可以内置几个常见模型。“向AI提问[问题]”积木这是最核心的“执行类”积木。它接收一个字符串参数用户的问题内部会执行以下操作拼接出完整的API URL服务器地址 /api/generate构造一个符合ollama API规范的JSON请求体包含model来自积木2、prompt用户输入的问题、stream通常设为false以一次性获取完整响应简化处理等字段。使用Mind提供的网络请求功能通常是封装好的http请求模块向这个URL发送POST请求。等待并接收服务器的JSON响应。从响应JSON中解析出response字段的内容即AI的回答。将这个回答内容作为该积木的“返回值”或存储到一个全局变量中供其他积木如“显示AI回答”使用。“显示AI回答”积木一个“执行类”积木。它可能直接弹出一个对话框显示内容或者将内容输出到Mind的舞台控制台甚至赋值给一个角色变量让角色“说”出来。它的作用是将获取到的文本响应呈现给用户。高级“清空对话历史”积木大模型对话有上下文关联。如果希望每次问答独立就需要在请求体中不传递历史消息。这个积木可以清空内部维护的一个对话历史数组。如果希望实现多轮对话则需要在“向AI提问”积木内部将每次的问答对追加到这个历史数组并在下一次请求时一并发送。3.2 HTTP通信的核心代码逻辑在扩展库的JavaScript文件里最关键的就是实现“向AI提问”积木的网络请求部分。下面是一个极度简化的伪代码逻辑展示了核心流程// 假设我们有一个全局变量存储服务器地址和模型 let ollamaServer http://localhost:11434; let currentModel llama3.2; // “向AI提问”积木对应的函数 async function askAI(prompt) { const url ollamaServer /api/generate; const requestData { model: currentModel, prompt: prompt, stream: false // 非流式一次性返回 }; try { // 使用Mind环境提供的http请求方法此处为示意 const response await http.post(url, requestData, { headers: { Content-Type: application/json }, timeout: 120000 // 超时时间设为120秒应对长文本生成 }); // 解析响应 const result JSON.parse(response); if (result result.response) { return result.response; // 返回AI的回答 } else { throw new Error(无法从响应中获取回答); } } catch (error) { // 错误处理将错误信息反馈到Mind舞台或控制台 console.error(调用AI失败, error.message); return 抱歉AI暂时无法回答。错误${error.message}; } }这段代码封装了网络请求、数据组装、响应解析和错误处理。在Mind的图形化界面中用户只需要拖出“向AI提问”积木在空格里写下“讲一个关于太空探险的故事”然后点击积木就能触发这段代码执行最终得到故事文本。3.3 错误处理与用户提示一个健壮的扩展库必须考虑错误处理。除了代码中的try...catch在积木设计上也要有反馈。例如当网络请求失败、模型不存在或者返回了之前提到的400错误时不应该让程序静默失败或崩溃。我们可以让“向AI提问”积木在出错时返回一个特定的错误信息字符串或者触发一个“当AI调用出错时”的事件积木让用户可以在Mind里编写错误处理逻辑比如让角色说“网络好像出问题了请检查一下Ollama服务哦”。4. 在Mind中实战构建你的第一个本地AI对话应用理论讲完了我们来点实际的。假设我们要在Mind里做一个简单的桌面对话助手点击绿旗后角色小猫会向你问好然后你可以通过输入框向它提问小猫会调用本地ollama模型来回答。4.1 环境准备与积木导入首先确保你的ollama已经在后台运行并且拉取了一个模型例如ollama run llama3.2测试成功。然后打开Mind以V1.8版本为例。创建扩展库文件在Mind的用户扩展目录下通常位于我的文档/MindPlus/user_library新建一个文件夹比如叫OllamaAI。在这个文件夹里创建两个文件extension.json和index.js。编写配置文件 (extension.json)这个文件告诉Mind如何显示你的积木。以下是一个简化版的示例{ name: Ollama AI, type: scratch, version: 1.0.0, author: YourName, icon: icon.png, inset_icon: inset_icon.png, description: 调用本地Ollama大语言模型, blocks: [ { opcode: set_ollama_server, blockType: command, text: 设置Ollama服务器地址为 [SERVER], arguments: { SERVER: { type: string, defaultValue: http://localhost:11434 } } }, { opcode: set_ai_model, blockType: command, text: 使用AI模型 [MODEL], arguments: { MODEL: { type: string, menu: MODEL_MENU, defaultValue: llama3.2 } }, menus: { MODEL_MENU: [llama3.2, qwen2.5:7b, deepseek-coder:6.7b] } }, { opcode: ask_ai, blockType: reporter, text: 向AI提问[QUESTION], arguments: { QUESTION: { type: string, defaultValue: 你好你是谁 } } } ] }这里定义了三个积木两个设置命令一个返回字符串的报告器积木。编写核心逻辑 (index.js)这个文件包含积木对应的JavaScript函数。内容基于第3.2节的伪代码进行实现并适配Mind的扩展API格式。你需要使用Mind提供的http模块具体API请查阅Mind开发者文档来发起请求。导入扩展在Mind软件中点击“扩展”选择“用户库”然后找到你创建的OllamaAI文件夹并导入。如果一切正常你会在积木区看到新出现的“Ollama AI”分类和里面三个自定义积木。4.2 脚本编写与调试现在在Mind的脚本区我们可以像搭积木一样编写逻辑初始化当绿旗被点击时拖入“设置Ollama服务器地址为...”积木确认地址是http://localhost:11434。再拖入“使用AI模型...”积木选择llama3.2。角色对话让小猫说“你好我是你的本地AI助手有什么可以帮你的”。然后使用“询问...并等待”积木弹出一个输入框让用户提问将回答存储在一个变量用户问题中。调用AI拖入“向AI提问...”积木将用户问题变量填入它的空格。这个积木会返回AI的回答文本。我们立刻用一个“说...”积木让小猫说出这个返回的内容。循环对话将“询问”、“调用AI”、“小猫回答”这三个步骤放入一个“重复执行”循环中就能实现持续的对话。调试技巧查看日志在Mind中复杂的网络请求调试可以借助“数据”模块的“日志”功能。你可以在index.js的关键步骤如发送请求前、收到响应后使用console.log()输出信息这些信息会显示在Mind的“日志”列表中帮助你判断程序执行到哪一步发送的数据是什么接收的数据又是什么。先用简单问题测试首次运行时用“你好”、“你是谁”这样的简单问题测试确保整个通路是通的。检查ollama服务如果调用失败首先去命令行窗口看看运行ollama run的窗口有没有输出错误信息。也可以直接在浏览器访问http://localhost:11434/api/tags看看是否能返回已安装模型的JSON列表这是检验API服务是否可用的最快方法。4.3 效果优化与进阶功能基础功能跑通后可以考虑一些优化让体验更好加载指示AI生成回答需要时间尤其是大模型。可以在“向AI提问”前让小猫说“正在思考...”得到回答后再清除这个说话气泡。这能给用户明确的反馈。历史记录实现多轮对话。这需要在index.js中维护一个数组每次提问时将之前的对话历史和当前问题组合成一个新的数组发送给APIollama的/api/chat端点更适合这个场景它接收messages数组。同时需要增加一个“清空历史”的积木。参数调优在“向AI提问”积木上增加更多参数输入口比如“温度”控制创造性、“最大生成长度”。这需要修改extension.json增加参数并在index.js的请求体中加入对应的字段如temperature,num_predict。错误可视化当网络错误或API返回400时让小猫说出更友好的提示比如“连接AI服务失败请检查Ollama是否启动”而不是一堆代码错误信息。通过这样一个完整的项目实践你不仅学会了如何将ollama集成到Mind更重要的是掌握了一种思路如何把复杂的后端服务本地AI模型封装成简单的前端工具图形化积木极大地扩展了创意实现的可能性。孩子们可以用它来做智能故事生成器、学习问答机器人甚至是为自己的游戏角色添加智能对话能力而无需关心背后的HTTP和JSON。这正是这个项目最大的魅力所在。
