gollama：用 TUI 管理 Ollama 模型，以及維護放緩後的實際取捨

它解決的是 Ollama 模型堆積後的清理問題

Ollama 本身把模型當成本機資源管理，拉取、執行、刪除都有對應指令，但當本機累積了十幾個甚至數十個模型之後，光是搞清楚哪個佔了多少空間、量化等級是什麼、上次什麼時候改過，就得反覆下指令再自己比對。gollama 針對的就是這一段：README 開頭寫得很直接，它提供 TUI 來「listing, inspecting, deleting, copying, and pushing Ollama models」，而作者在 Features 段落裡也說自己每天用它來管理模型，「especially for cleaning up old models」。

目標使用者不是把 Ollama 當生產服務在跑的人，而是本機同時養著多個模型、需要定期汰換的開發者。這也解釋了為什麼功能清單裡有排序、過濾、vRAM 估算這類偏日常維運的項目，而不是部署或監控。README 同時坦承「It's in active development, so there are some bugs and missing features」，甚至把「Has some cool bugs」寫進功能列表，這種自嘲式的誠實對評估者是有用的訊號：它不假裝自己已經穩定。

TUI 為核心，命令列是同一套邏輯的另一個入口

gollama 的架構並不複雜，它是一個 Go 寫的用戶端，透過 Ollama API 與本機或遠端的 Ollama 實例溝通。README 的安裝段落全部圍繞單一執行檔，沒有額外的服務端元件，也沒有背景常駐程序。啟動方式就是執行 gollama，進入 TUI 之後以熱鍵操作。

熱鍵的設計把模型生命週期攤在同一畫面上。Space 選取、Enter 執行、i 檢查、t 看正在跑的模型、D 刪除、e 編輯 Modelfile、c 複製、U 卸載全部、p 拉取既有模型、ctrl+p 取得新模型、P 推送。排序則拆成 n（名稱）、s（大小）、m（修改時間）、k（量化）、f（family）、B（參數量）六個獨立按鍵，而不是一層選單。這種做法在模型數量多時比選單快，代價是要記的鍵變多，README 也因此在 Usage 段落完整列出整份對應表。

值得注意的是 r 這個重新命名鍵，README 直接標註為 work in progress。同一份文件裡 c（複製）沒有這個標記，代表複製路徑相對完整，而重新命名還沒收尾。這種功能完成度的落差，在導入前應該納入考量。

不安裝 TUI 也能用：-l、-s、-e 與 vRAM 估算

對不想進互動介面的人，gollama 提供了一組命令列選項，這是它與純 TUI 工具最大的差別。模型管理類的包括 -l 列出所有模型後直接結束、-s 依名稱搜尋、-e 編輯指定模型的 Modelfile、-u 卸載所有執行中的模型、-v 印出版本。

搜尋支援運算子，README 給了三個具體例子：gollama -s my-model 回傳名稱含 my-model 的模型；gollama -s 'my-model|my-other-model' 用 | 表示 OR；gollama -s 'my-model&instruct' 用 & 表示 AND。這在腳本裡比對 grep 的輸出可靠一些，因為比對的是模型名稱欄位而不是整行文字。

vRAM 估算走的是另一條路徑，用 --vram 指定模型，可以吃 Ollama 模型（例如 llama3.1:8b-instruct-q6_K、qwen2:14b-q4_0），也可以吃 HuggingFace 上的模型（例如 NousResearch/Hermes-2-Theta-Llama-3-8B）。搭配的參數有三個：--fits 給可用記憶體 GB 數（例如 6），--vram-to-nth 或 --context 給要分析的最大上下文長度（例如 32k 或 128k），--quant 則可覆蓋量化等級（例如 Q4_0、Q5_K_M）。README 把這個功能稱為 comprehensive vRAM estimation，但沒有給出誤差範圍或驗證方式，實際數字與 Ollama 執行時的佔用是否吻合，文件沒有交代。

安裝與設定：go install 是作者推薦的路徑

安裝方式有三種。README 把 go install 列為推薦：

go install github.com/sammcj/gollama/v2@latest

模組路徑帶 v2，對應到近期釋出的 v2.0.x 系列。第二種是 curl 安裝腳本，作者自己說不推薦，理由是「not as easy to update」：

curl -sL https://raw.githubusercontent.com/sammcj/gollama/refs/heads/main/scripts/install.sh | bash

第三種是從 releases 頁面下載壓縮檔手動解開，README 給的例子是 zip -d gollama*.zip -d gollama && mv gollama /usr/local/bin。若安裝後出現 command not found: gollama，文件指向 PATH 問題，要加 export PATH=$PATH:$HOME/go/bin 到 .zshrc 或 .bashrc。

設定方面，命令列選項涵蓋了連線與路徑：-h 或 --host 指定 Ollama API 主機，-H 是 -h http://localhost:11434 的捷徑，--ollama-dir 指定自訂的模型目錄，--log 或 --log-level 覆蓋日誌等級（debug、info、warn、error）。清理相關有一個 --no-cleanup，用來關閉對破損符號連結的清理，這暗示 gollama 預設會動到模型目錄裡的檔案結構。如果你的 Ollama 目錄是共用或由其他工具管理，這個預設行為要先確認。README 另外提到 Themes 與 Logging 兩個章節，但提供的內容在此截斷，無法確認主題與日誌的具體設定鍵。

LM Studio 連結功能已移除，維護節奏也放慢了

這一節是整份 README 裡對評估最有價值的部分。文件以 2025-12-02 的更新說明開頭，宣布從 v2.0.1 起不再提供 LM Studio 連結功能。作者給的理由不是技術障礙，而是維護成本：「Linking from/to LM Studio became more hassle to maintain than it was worth」，上游兩個應用都在變動，加上要迎合每個使用者的本機設定，投入的時間超過這個功能對他的價值。

同一段裡作者也說明了自己的使用習慣已經改變。他自稱是 Ollama 的早期採用者與貢獻者，但 2025 年期間從 Ollama 得到的價值下降，現在很少使用；模型服務主力轉向 llama.cpp 搭配 llama-swap，筆電上則用 LM Studio 與 oMLX。他對 llama.cpp 的評價是維護良好、設定較容易、功能更多、效能明顯更好。這段話直接解釋了為什麼專案維護會放緩：「I'm simply not dog-fooding with Ollama enough.」

對導入者的意義很具體。一個作者自己不再日常使用的工具，bug 修復與新功能的節奏會反映在釋出頻率上。從提供的資料看，v2.0.3 與 v2.0.4 同日釋出（2025-12-30），v2.0.5 則在 2026-06-14，之後到 2026-07-20 有推送紀錄。這不是停更，但也談不上密集。把它放進工作流程前，應該先確認你需要的功能是否已經穩定，而不是等它未來補上。

什麼情況下不該用 gollama

第一種情況是你的推論路徑已經不是 Ollama。gollama 的所有功能都建立在 Ollama API 與 Ollama 的模型目錄之上，README 裡作者自己提到已轉向 llama.cpp 搭配 llama-swap，並在筆電上使用 LM Studio 與 oMLX。如果你的模型是以 GGUF 直接餵給 llama.cpp，或是以 MLX 格式在 LM Studio 裡跑，gollama 看不到這些模型，也管不到。這不是缺陷，是範圍問題，但很容易被忽略。

第二種情況是你需要自動化與可重複的流程。gollama 的 TUI 是給人操作的，命令列選項雖然能寫進腳本，但涵蓋面有限：列出、搜尋、編輯 Modelfile、卸載、vRAM 估算。模型推送與複製在命令列選項清單裡並沒有對應的短選項，這些操作主要還是在 TUI 裡完成。

第三種情況是你需要穩定的遠端或多人環境。gollama 是單機用戶端工具，-h 可以指向遠端 Ollama API，但 README 沒有描述任何權限、並發或多使用者相關的處理。刪除與卸載這類破壞性操作，在 TUI 裡靠熱鍵觸發，沒有提到確認機制或復原路徑。文件中 --no-cleanup 的存在，也說明預設會對模型目錄做清理動作，這在共用環境裡需要特別留意。

與 Ollama 原生指令的差異，以及授權與升級成本

最直接的替代方案就是 Ollama 自己的命令列。ollama list 會列出模型與大小，ollama rm 刪除，ollama run 執行，ollama ps 看執行中的模型。gollama 的 -l 與這些指令在功能上有重疊。差別在於呈現方式與組合：gollama 把大小、量化等級、family、修改時間放在同一張可排序的表上，並提供六種排序鍵與帶運算子的名稱搜尋，Ollama 原生命中令則需要自己接管道與 grep。

另一個差異是 vRAM 估算。Ollama 原生指令沒有對應功能，gollama 的 --vram 可以吃 HuggingFace 模型名稱並用 --fits、--context、--quant 調整參數，這在決定要不要拉某個模型之前有用。但如前面所說，README 沒有提供這個估算的準確度資訊。

授權是 MIT，對商業使用與修改相對寬鬆，README 的 License 章節指向標準 MIT 條款。這裡不提供法律意見，只指出 MIT 通常允許再散布與修改，實際義務請自行確認條文。

升級成本方面，go install 路徑讓更新就是重跑一次安裝指令，curl 腳本則被作者自己標為較難更新。由於專案仍在 v2 系列且維護放緩，跨版本升級時值得先看 release notes，特別是像 v2.0.1 移除 LM Studio 連結這種會直接改變行為的變更。若你的流程依賴某個功能，升級前先確認它還在。

編輯結論

如果你已經在用 Ollama，而且痛點是模型太多、清理與檢查都得靠指令拼湊，gollama 的 TUI 與 -l、-s、--vram 這幾個命令列入口值得實際裝來用一輪。若你的主力推論路徑已經轉向 llama.cpp 或 LM Studio，這個工具對你的價值有限，作者自己也說明已不再維護 LM Studio 連結功能。導入前請先確認三件事：你的 Ollama API 位址與 --ollama-dir 是否與預設一致、你需要的功能是否落在仍標示為 work in progress 的範圍內（例如 r 重新命名）、以及你是否接受一個維護節奏已放緩的 MIT 專案。

官方來源

1. License: MIT
2. Project website
3. README
4. Releases
5. sammcj/gollama on GitHub