导演大师接入Ollama本地模型：配置与全流程创作实战

本地大模型正在成为内容创作者的"私有引擎"——数据不出本机、调用不计 token、可离线运行。但要把模型真正插进创作工作流，光有 Ollama 还不够，还需要一个能编排选题、大纲、剧本、分镜的 Agent 工具。B 站这期教程演示的"导演大师"，正是把这两件事连了起来：用 Ollama 跑本地千问模型，让 Agent 走完一支短片从选题到分镜的全流程。

为什么视频创作者盯上了本地模型

教程一开场就点出了需求来源：不少人喜欢用本地模型来写选题、写剧本、写台词。这类创作任务的特点是"高频、长文本、反复改"——如果每次都走云端 API，成本和使用限制都会成为瓶颈；而本地部署后，模型常驻本机，随时调用不受网络波动影响。

Ollama 的价值在于把本地模型的部署门槛压到了很低：一个安装包、一条拉取命令，就能把主流开源模型跑起来。对不熟悉命令行的创作者来说，这套流程已经足够"傻瓜化"。

Ollama 是一个开源的本地大语言模型运行框架，核心作用是把模型下载、量化、加载、推理服务等环节封装成简单命令。用户只需执行 ollama run <模型名>，框架就会自动拉取模型权重并启动一个本地 API 服务（默认监听 11434 端口）。它支持 Llama、Qwen、Gemma 等主流开源模型系列，并兼容 Windows、macOS 和 Linux。对创作者而言，Ollama 的意义在于把“部署本地模型”从需要配置 Python 环境、CUDA 驱动和推理框架的工程任务，简化成安装加一条命令的操作。导演大师之所以能直接“获取可用模型”，正是因为它调用了 Ollama 暴露的本地模型列表接口。

三步搭好本地模型环境

安装 Ollama 与设置模型目录

教程的第一步是去 Ollama 官网下载安装程序。页面提供"手动下载"入口，下载下来是一个 exe 文件，双击安装即可。

安装完成后，先别急着拉模型——要在设置里指定本地模型的存放位置。点击"浏览"选择一个空间较大的磁盘目录，因为模型文件体积可观，放在系统盘容易吃紧。

用命令行拉取千问模型

环境就绪后，进入模型页面选择要用的模型。教程以千问 3.8 为例，复制页面给出的运行命令，在终端里输入 cmd 回车，粘贴命令执行。

这里有个细节值得说明：第一次运行某个模型时，本地还没有对应文件，命令会自动触发下载过程；下载完成后再次运行，就直接进入对话状态。教程演示时模型已经下载过，因此跳过了等待环节。

Qwen（千问） 是阿里云^广告通义千问团队开源的大语言模型系列，提供从 0.5B 到 72B 以上多种参数规模，并有基础模型与对话微调版本。文中提到的“千问 3.8”应指 Qwen 系列中某一版本的对话模型（如 Qwen2.5 的 3B/7B 等规格在本地场景较常见）。开源模型通常以量化格式分发（如 4-bit 量化），以降低显存和内存占用——这也是模型文件动辄数 GB、需要提前规划磁盘空间的原因。选择较小参数量的版本，可以在消费级显卡甚至纯 CPU 上运行，但输出质量和长文本连贯性会相应下降，这正是后文强调人工审校的原因。

在导演大师中添加 Ollama 提供方

本地服务跑通后，回到导演大师：打开设置 → Agent 设置 → 添加提供方，在提供方列表中选择 Ollama，然后点击"获取可用模型"。教程作者本地装了两个模型（3.5 和 3.8），选中 3.8 添加，保存并设为默认，配置就完成了。

这一步的关键是"获取可用模型"——它让导演大师直接读取 Ollama 本地服务暴露的模型列表，不需要手动填地址和参数。

提供方（Provider） 是 Agent 工具中抽象模型来源的配置单元。一个提供方代表一种模型服务后端，例如 OpenAI、Anthropic、DeepSeek^广告 或本地的 Ollama。每个提供方包含服务地址、鉴权方式和可用模型列表等字段。导演大师把 Ollama 作为一种提供方接入，意味着它并不绑定特定模型，而是通过标准接口读取本地服务上有哪些模型可选。这也解释了为什么作者能同时看到 3.5 和 3.8 两个版本，并按任务复杂度切换——切换模型只需在提供方下更换默认模型，无需改动工作流本身。

用本地千问跑通一支短片的全流程

配置完成后，教程用本地千问 3.8 演示了一次完整的视频制作流程，主题是"做一部三岁小孩的动画片"。

选题阶段：输入需求后，Agent 返回几个选题选项，任选其一。系统给出选题草稿确认卡，创作者检查无误后点击"保存为正式选题"，短片制作正式启动。

大纲阶段：点击智能 Agent 生成创作大纲，大纲输出后同样需要在确认卡上保存为正式大纲。

剧本阶段：先生成第一集剧本，点击智能 Agent 直接发送生成请求；拿到剧本草稿并确认后，保存为正式剧本。

分镜阶段：把第一集剧本拆成分镜，生成并发送。第一场分镜拆完后，可以选择自动拆完剩余场次，也可以只写入当前分镜。

教程在这里明确收尾：生成资产等后续环节不在本期范围内，会用专门的视频讲解。

这套组合的实用价值与边界

从流程设计看，导演大师的"草稿确认卡"机制值得一提：每一步 Agent 输出都先进入草稿态，人工确认后才落为正式内容。这在本地模型场景下尤其重要——开源小模型的输出稳定性不如云端旗舰模型，人工卡点能避免错误在流程中层层放大。

另一个值得注意的设计是模型可切换：作者本地同时装了 3.5 和 3.8 两个版本，意味着可以按任务复杂度选择不同规模的模型，比如大纲用大模型、分镜拆解用小模型。

边界同样清晰：本地模型的能力上限取决于硬件和模型规模，教程演示的是流程跑通，而非输出质量的横向对比；分镜之后的资产生成环节也未展开，整条链路的完整性还有待后续验证。

适合谁上手

如果你已经有 Ollama 使用经验、手头有存储空间充裕的机器，这套配置流程的实操成本很低——核心操作就是"装 Ollama、拉模型、在导演大师里添加提供方"三步。真正需要投入时间的是流程本身：选题、大纲、剧本、分镜每一环都要人工审校，Agent 负责起草，创作者负责判断。