# Ollama

在本地 M 系列 Mac 上用 Ollama + Llama 3.3 70B 每小时生成 100 条付费社媒广告变体，再用一轮 prompt 给每条按 hook / 价值清晰度 / CTA 具体度打 0-100 分。完整的两段 prompt、Python 脚本、以及让 $0 边际成本在任何团队规模下都跑赢 GPT-4o 的算账。

在 Apple Silicon (M 系列芯片) 上用 Ollama + Mistral 7B / Llama 3.1 8B 搭建本地邮件分流层:6 周、8,400 封邮件实测,4 桶分类,准确率 92%,每周省 2.3 小时,邮件全程不出本机。

30 天盲测：800 条 Meta Title + 800 条产品描述，同时用自托管的 Qwen 2.5 14B 和 Claude Sonnet 4 改写，3 位 SEO 承包商独立打分。结论不是开源模型一面倒——是五五开。Qwen 在哪里打平、在哪里崩盘，以及自托管做重复模式 SEO 任务的真实成本账。

对营销团队来说，自建 70B 模型听起来很激进。90% 的团队确实不该碰。但有 4 类工作——批量工单归类、私密竞品情报、凌晨批量生成 SEO meta、PII 脱敏的邮件列表清洗——成本账会反转：一张 A100 + Ollama 4-7 个月回本。硬件现实、Docker compose、真实吞吐、还有那 4 个 prompt。

我把同一份广告文案 brief 分别喂给本地部署的 Mistral Small 24B 和 GPT-4o,让一位没见过两份输出的营销人盲评。本文给出完整搭建路径——笔记本用 Ollama、单卡 4090 服务器用 vLLM、我用的 prompt 模板,以及最终让我决定哪个上生产的每 token 成本算式。

一份实操指南：在笔记本上用 Ollama 跑 SmolLM 1.7B 改写营销内容——零 API 费用、完全私有化、对日常文案质量意外地好。