Ollama 思考能力（Thinking）

有些模型在给出答案前会先"演算一遍"：拆解问题、试错、回头检查。这段推理轨迹就是 Thinking（思考）。Ollama 把它单独放进一个字段，好处是你能自主决定——审计它、在界面上做成动画，或者干脆藏起来只给结论。

别把它当成所有模型都有的能力。是否支持、支持几档强度，每个模型都不一样，得先问模型本身。

版本基线 v0.40.12。thinking 的取值与默认值随模型更新频繁，以 /api/show 实时返回和官方 docs.ollama.com/capabilities/thinking 为准。

一、先问模型：它支持哪些思考档位

调用 /api/show，返回体里会有一个顶层 thinking 对象：

## 查询某个模型支持哪些思考控制
curl http://localhost:11434/api/show -d '{
  "model": "gpt-oss"
}'

返回：

{
  "thinking": {
    "values": ["low", "medium", "high"],
    "default": "medium"
  }
}

三个字段各有含义，读错了容易踩坑：

注意最后一种：字段缺失不等于模型"不会思考"，只代表没有可调的元数据。gpt-oss 这类模型通常有明确档位，而一些老模型直接不返回该字段。

二、think 参数的四种写法

在 chat 或 generate 请求里加上 think 字段：

字符串这一档最容易出错：values 里写的是 medium，你传 "Medium" 或 "mid" 都不会报错，而是静默回落到模型默认值。所以生产环境务必先读 /api/show，再从 values 里原样取值。

另外，数字不被支持。想表达"中等强度"只能传 "medium"，传 2 不会有任何效果。

三、返回字段：Chat 与 Generate 不一样

推理结果和最终答案走的不是同一个字段，两个接口的命名还有差异，这点必须先记住，否则会拿到 undefined：

非流式调用最简单，一次拿到全部（curl / Python / JavaScript 三版）：

## 非流式：一次返回完整思考 + 完整答案
curl http://localhost:11434/api/chat -d '{
  "model": "qwen3",
  "messages": [{
    "role": "user",
    "content": "strawberry 这个单词里有几个字母 r？"
  }],
  "think": true,
  "stream": false
}'

## pip install ollama
from ollama import chat

response = chat(
    model='qwen3',
    messages=[{'role': 'user', 'content': 'strawberry 这个单词里有几个字母 r？'}],
    think=True,       # 显式要求输出思考过程
    stream=False,     # 非流式，一次拿全
)

print('思考：\n', response.message.thinking)   # 推理轨迹
print('回答：\n', response.message.content)     # 最终答案

// npm install ollama
import ollama from 'ollama'

const response = await ollama.chat({
  model: 'deepseek-r1',
  messages: [{ role: 'user', content: 'strawberry 这个单词里有几个字母 r？' }],
  think: true,
  stream: false,
})

console.log('思考：\n', response.message.thinking)
console.log('回答：\n', response.message.content)

四、流式场景：先来推理，再来答案

开启 stream: true 后，推理 token 会排在答案 token 前面，两段是先后出现而不是交替的。渲染逻辑就一句话：第一个 thinking 片段到来时开一个"思考中"区块，等 content 出现时收尾切到正式回答。

from ollama import chat

stream = chat(
    model='qwen3',
    messages=[{'role': 'user', 'content': '17 × 23 等于多少？'}],
    think=True,
    stream=True,
)

in_thinking = False

for chunk in stream:
    # 第一次遇到 thinking：开一个思考区块
    if chunk.message.thinking and not in_thinking:
        in_thinking = True
        print('思考中：\n', end='')

    if chunk.message.thinking:
        print(chunk.message.thinking, end='')
    elif chunk.message.content:
        # 正文来了，说明推理结束，切换标签
        if in_thinking:
            print('\n\n回答：\n', end='')
            in_thinking = False
        print(chunk.message.content, end='')

JavaScript 版本只差语法：

import ollama from 'ollama'

async function main() {
  const stream = await ollama.chat({
    model: 'qwen3',
    messages: [{ role: 'user', content: '17 × 23 等于多少？' }],
    think: true,
    stream: true,
  })

  let inThinking = false

  for await (const chunk of stream) {
    if (chunk.message.thinking && !inThinking) {
      inThinking = true
      process.stdout.write('思考中：\n')
    }

    if (chunk.message.thinking) {
      process.stdout.write(chunk.message.thinking)
    } else if (chunk.message.content) {
      if (inThinking) {
        process.stdout.write('\n\n回答：\n')
        inThinking = false
      }
      process.stdout.write(chunk.message.content)
    }
  }
}

main()

这里同样要累积 thinking 与 content 两段内容再写回对话历史，原因和上一篇讲的一致：多轮对话与工具调用都依赖完整的历史消息。

五、什么时候该关掉思考

不是所有场景都值得开。三类情况建议 think: false：

• 延迟敏感：推理过程可能比答案长好几倍，首字时间会明显变慢。
• 任务简单：格式转换、短分类这类活儿，思考带来的准确率提升有限。
• 成本敏感：思考 token 一样计费，云端按量计费时差别不小。

反过来，数学计算、多步逻辑、代码调试这些任务，开着思考通常准确率更高。可以按任务类型动态切换，不必全局一刀切。

下一步可以看 3.3 Ollama 结构化输出，把模型回答约束成固定 JSON；如果想了解思考片段在流式下如何与其他内容协同，回看 3.1 Ollama 流式输出。