Содержание
Как подключить Qwen Code к Ollama
Черновик готовит редакция с помощью ИИ. За стандарт издания отвечает главный редактор — Валерий Курземнек.
Материал редакции Зерокодера. Счёт по выдаче снят собственным прогоном 13 октября 2026 года; цитаты источников приведены дословно. Обновлено: октябрь 2026.
Как подключить Qwen Code к Ollama: Qwen Code CLI настраивается на локальный сервер Ollama через OpenAI-совместимый endpoint. В конфигурации указывается тип авторизации openai, базовый адрес http://localhost:11434/v1 и ключ ollama. Модель запускается командой вида ollama run qwen3:32b. Дальше CLI работает с вашим проектом, а инференс идёт на вашем железе. Мы скачали подборку результатов веб-поиска по запросу «Как подключить Qwen Code к Ollama»: текст отдали 9 из 10.
Документированный локальный маршрут
QwenLM в Model Providers описывает локальные серверы через тип авторизации openai. В примере Ollama указаны baseUrl: http://localhost:11434/v1, envKey: OLLAMA_API_KEY и значение ollama. Выбор авторизации хранится в security.auth.selectedType. Модель в model.name должна соответствовать записи провайдера.
В документации Ollama OpenAI Compatibility ключ ollama нужен клиенту и игнорируется сервером. Сохранённая карточка библиотеки приводит ollama run qwen3:32b. Это конкретный тег для примера; ресурсы компьютера проверьте перед загрузкой. Веса и скорость редакция не измеряла.
Установите CLI и Ollama по их документации, подготовьте модель и сохраните конфигурацию из раздела ниже. Далее запустите qwen в учебном проекте. Сверьте фактическую модель через /model и запишите адрес запроса. Облачный чат, локальный чат GGUF и Continue в редакторе имеют свои точки подключения; этот материал проводит через Qwen Code CLI.
Для связки с редактором есть инструкция Qwen в VS Code. Выберите маршрут до упражнения: тогда проверка результата будет относиться к конкретному клиенту и конфигурации.
Учебный пример и критерии проверки
Возьмём небольшой проект: каталог с несколькими файлами на Python и одним тестом. Задача — попросить Qwen Code объяснить, что делает функция, и предложить правку.
Промпт для первого запуска:
Объясни, что делает функция [имя функции] в файле [путь к файлу]. Перечисли входные параметры и возвращаемое значение. Предложи одну правку для читаемости и покажи её отдельным блоком кода.
Что менять под себя: [имя функции] и [путь к файлу]. Стиль ответа можно задать фразой в начале промпта.
Вариации той же задачи:
Найди в проекте места, где обрабатываются ошибки ввода, и перечисли их списком с путями к файлам.
Предложи тест для функции [имя функции]. Покажи код теста и объясни, какие случаи он покрывает.
Прочитай файл [путь] и предложи, как разбить его на два модуля. Объясни границу разделения.
Сравни две функции — [функция A] и [функция B] — и скажи, какую логику можно вынести в общий модуль.
Составь краткое описание проекта по файлам в текущем каталоге: назначение каждого модуля одной строкой.
Критерии самостоятельной проверки. Первое: Сверьте фактически выбранную модель и адрес в клиенте, затем запишите результат запроса. Второе: в ответе упоминаются реальные имена файлов и функций из вашего проекта — значит, модель читает контекст. Третье: правки касаются вашего кода. Четвёртое: остановка сервера должна изменить наблюдаемый результат; проверьте также фактический адрес и журналы сервера. Один отказ при остановке сам по себе не доказывает локальность.
Результаты редакция не воспроизводила: веса не скачивались, инференс не выполнялся. Примеры выше — предлагаемые упражнения, их исход зависит от вашей модели и проекта.
Смежные варианты и выбор по задаче
Связка Qwen Code и Ollama — один из нескольких маршрутов. Выбор зависит от того, где вы работаете и что нужно от модели.
| Маршрут | Где работает модель | Интерфейс | Когда выбирать |
|---|---|---|---|
| Qwen Code + Ollama | Локальный сервер | Терминал | Работа с проектом из командной строки |
| Qwen Code + облачный API | У провайдера | Терминал | Нужна крупная модель без локального железа |
| Continue + Ollama в VS Code | Локальный сервер | Редактор | Правки внутри редактора |
| Локальный чат с GGUF | Локальный сервер | Чат-интерфейс | Разовые вопросы без проекта |
Разница между строками — в точке подключения. CLI подключается к серверу через OpenAI-совместимый API. Редактор подключается через своё расширение. Чат работает напрямую с моделью.
По задаче выбор такой. Нужен разбор кодовой базы и правки файлов — берите CLI. Нужны подсказки при наборе кода — берите расширение редактора. Нужны ответы на вопросы без проекта — хватит чата.
Внутри CLI тоже есть выбор: локальный сервер или облачный API. В локальном примере QwenLM клиент обращается к Ollama по адресу http://localhost:11434/v1. Проверьте фактический endpoint и журналы процесса в своей установке. Облачный даёт доступ к крупным моделям, но отправляет запросы наружу. Про бесплатные варианты читайте в материале Qwen Code бесплатно: что доступно сейчас.
Размер модели — отдельный выбор. Малые версии быстрее и легче, крупные точнее на сложных задачах. Начните с меньшей и переходите к большей, если не хватает качества.
Типичные проблемы и диагностика
Проблемы при подключении чаще всего связаны с конфигом или с состоянием сервера. Разберём по порядку.
CLI не видит сервер. Проверьте, запущен ли Ollama и слушает ли он локальный порт. Обратитесь к API из терминала: если ответа нет, сервер не поднят.
Ошибка авторизации. Проверьте, что в конфиге указан тип openai и задан ключ OLLAMA_API_KEY со значением ollama. Ключ формальный, но клиент требует его наличия.
Неверный базовый адрес. В примере документации адрес указан как http://localhost:11434/v1. Проверьте, что путь заканчивается на /v1 и порт совпадает с тем, что слушает Ollama.
Модель не найдена. Проверьте имя модели в конфиге и в команде запуска. Имя должно совпадать с тем, что скачано в Ollama.
Медленные ответы. Это ограничение железа. Уменьшите размер модели или закройте лишние процессы.
Обрыв на длинном контексте. Крупный проект не помещается в окно модели. Разбивайте задачи на части и указывайте конкретные файлы.
Порядок диагностики: сервер, затем модель, затем конфиг, затем CLI. Проверяйте по одному звену. Если эти проверки прошли, продолжите разбор журналов клиента; смежные ошибки описаны в статье Qwen Code не работает: причины и решения.
Минимальный JSON для CLI
Ниже редакционная адаптация локального примера QwenLM с тегом из сохранённой карточки Ollama. Веса и запросы редакция не проверяла. Установите Ollama, запустите ollama run qwen3:32b и дождитесь готовности модели; тег должен соответствовать доступной памяти. Для настройки CLI откройте пользовательский ~/.qwen/settings.json, сохраните копию и аккуратно объедините следующие поля с существующими настройками. Полную замену рабочего файла применяйте только в пустом учебном окружении.
{
"env": {"OLLAMA_API_KEY": "ollama"},
"modelProviders": {
"openai": [{
"id": "qwen3:32b",
"envKey": "OLLAMA_API_KEY",
"baseUrl": "http://localhost:11434/v1"
}]
},
"security": {"auth": {"selectedType": "openai"}},
"model": {"name": "qwen3:32b"}
}
Проверьте равенство id и model.name тегу загруженной модели. Запустите qwen из учебного проекта и выберите настроенную модель через /model, если в сессии выбран другой маршрут. В журнале собственной проверки запишите фактический endpoint и тег. Ответ о проекте оценивайте вместе с этими сведениями: узнаваемое имя файла само по себе не показывает, где выполнялся запрос.
Проверка на маленьком файле
Создайте в отдельной учебной папке файл notes.py с простой функцией, которую понимаете самостоятельно. Для примера возьмите функцию, которая получает строку, убирает пробелы по краям и возвращает её. Попросите CLI сначала прочитать файл и объяснить назначение. До предложения изменений сверяйте ответ с настоящими именами переменной и функции. Если модель описывает отсутствующий импорт или другой файл, запишите расхождение и ограничьте запрос нужным путём.
После объяснения попросите предложить проверку для пустой строки и строки с пробелами. Ожидаемое поведение определите сами до чтения ответа. Сравните предложенные входы с назначением функции. Затем попросите добавить комментарий к функции, сохранив поведение. Сверьте diff глазами: изменение должно соответствовать запросу. Сохраните исходный файл, выбранный тег и текст задания рядом с результатом. Такая запись позволяет повторить опыт после изменения конфигурации. Успешный опыт относится к этому файлу и этой модели; оценку работы на целом репозитории проводите отдельно.
Что записать после остановки сервера
При проверке остановкой сохраните состояние клиента до изменения. Запишите выбранный тег, фактический адрес и текст небольшого запроса. Затем завершите сервер своим штатным способом и отправьте новый запрос из той же сессии. Сохраните полученную ошибку целиком, исключив секреты и личные пути. Повторите опыт после запуска сервера и сравните результат.
Если модель продолжает отвечать после остановки, проверьте, какой процесс обслуживает выбранный адрес и не сменился ли маршрут клиента. Если ответа нет и после запуска, проверьте новое сообщение ошибки. Для вывода о локальном подключении соедините наблюдение с адресом и журналами процесса. Один удачный ответ или один отказ даёт ограниченное свидетельство. Редакция этот опыт не выполняла; результат относится к вашему компьютеру, модели и способу запуска.
Частые вопросы
Как подключить Qwen Code к Ollama локально?
Подготовьте сервер и модель, объедините приведённый JSON с пользовательскими настройками и откройте новую сессию в учебном проекте.
Какая модель Qwen подойдёт для Ollama?
В упражнении используется qwen3:32b. Перед загрузкой сверьте тег и ресурсы компьютера; скорость редакция не измеряла.
Нужен ли ключ API для локального сервера?
Для приведённого клиента задано значение ollama. Оно используется как формальный параметр локального подключения.
Почему Qwen Code не видит запущенную модель?
Сверьте тег, выбранный маршрут, состояние сервера и журнал ошибки. Проверяйте каждое звено отдельно.
Чем этот маршрут отличается от Continue в VS Code?
Упражнение запускается через Qwen Code в терминале. Для Continue понадобится отдельная конфигурация редактора.