Ollama 在 2026 年 1 月 23 日的部落格文章中發表了 ollama launch。功能說明只需要一句話：一行指令，自動安裝並設定本機 coding agent——目前涵蓋 Claude Code、OpenCode 與 Codex——並讓它們直接對接跑在本機的 model。
這個看似微小的功能，碰的卻是本地 AI 開發最卡的一段路。
一行指令解決的痛點
要在本機跑 coding agent，過去的流程是拼裝出來的：先裝 Ollama 與 model，再手動安裝 agent CLI，然後處理 endpoint 設定、環境變數與版本相容性。任何一段出錯，除錯的時間就會蓋過真正寫程式的時間。ollama launch 把「安裝＋設定」壓縮成一個動作，等於把本地 agent 的入場門票從解謎遊戲變成閘機直通。對想嘗試本地 agent 的開發者，最大的成本向來不是硬體，而是把整條鏈路接起來的瑣碎工程——這次被砍掉了大半。
別家 agent 接上自家 model
更有趣的是支援清單的組成。Claude Code 與 Codex 分別來自 Anthropic 與 OpenAI，原本圍繞自家雲端服務而生；現在它們可以被設定成對接本機 model。這說明兩件事：第一，coding agent 的 CLI 正在變成通用 client，誰家的 model 都可以接；第二，model 與 agent 的耦合正在鬆動，「用哪個 agent」和「用哪個 model」變成兩個獨立決策。對開發者來說，這是選擇權，也是議價位置——工具鏈不再綁定單一供應商的帳單。
隱私、成本與離線場景
本地跑 agent 的三個傳統動機，這次都被照顧到：
- 隱私：程式碼與資料不出機器，適合不能把原始碼送出牆外的團隊
- 成本：硬體是一次性支出，沒有按用量計費的帳單焦慮，重度使用時差異更明顯
- 離線與受限網路：在斷網或網路受限的環境裡，工作流照常運轉
生態位置與現實限制
Ollama 的角色愈來愈像本地 AI 的預設入口：從 model 下載、執行到 agent 設定一條龍。但本機路線的限制也必須誠實面對——能跑哪些 model 取決於手上的硬體，長時間、大 context window 的 agent 工作負載對記憶體與 GPU 的要求不低。務實的做法是混合路線：敏感與日常任務走本機，重度工作負載走雲端。ollama launch 的價值，在於讓這條混合路線的切換成本降到最低。
參考來源
本文由 AI 協助自上述來源整理，經人工審核後發布。