零成本本機編程入門：用 Ollama 跑 Gemma 4，打造接近 Claude 的寫代碼體驗

如果你聽說過Claude、ChatGPT能幫你寫代碼，但又不想每個月掏 API 或訂閱費，這篇筆記給你一個完全可行的折中方案：

先在電腦里用Ollama把大模型跑起來（不經過云端按次計費），再在Cursor / VS Code里把「模型后端」指到本機。這樣你得到的不是「盜版的 Claude」，而是同樣以對話方式改代碼、解釋報錯、生成小函數的工作習慣——對新手來說，體驗上常常已經夠用了。

名詞速覽（只看這一段也行） Ollama：在本機下載并運行大模型的工具，像「本地版模型 App Store + 運行時」。 Gemma 4：Google 在 2026 年 4 月 2 日剛發布的新一代開源模型家族；其中 E4B 是特別適合「筆記本 / 入門顯卡」的一檔。 「零成本」在本文里的含義：不必向模型廠商購買 Token；你仍要付出 電費 與 自己的硬件時間（老機器會慢一些，這是正常的）。

• 想先免費試玩「AI 幫我寫代碼」、建立手感，再決定是否訂閱云端旗艦模型。
• 有一點隱私顧慮：代碼不想默認上傳到云端
• 顯卡或內存不算頂規，但希望能跑一個比純 CPU 文本生成更省心的編程助手。
• 已經用 Cursor / VS Code，只需要多走兩三步配置

如果你要做超大倉庫重構、跨文件復雜推理、長時間自主 Agent，本機中小模型仍可能吃力——這時再走Claude / GPT-4 級別的云端方案會更穩。后文也會用一張表幫你建立心理預期。

二、十分鐘上手：安裝 Ollama 并拉取 Gemma 4 1. 安裝 Ollama

打開官網https://ollama.com，按你的系統（Windows / macOS / Linux）下載安裝包，一路下一步即可。
安裝完成后，終端里能執行：

ollama --version

若 Gemma 4 需要較新的運行特性，建議把 Ollama 升到當前最新版（舊版可能還沒有新模型或拉取失敗）。

2. 拉取 Gemma 4（示例：E4B）

在終端執行（具體標簽名以 Ollama 模型庫[1] 為準，若網頁上寫的是gemma4:e4b就照抄）：

ollama pull gemma4:e4b

拉取完成后試跑對話：

ollama run gemma4:e4b

看到模型能正常回復，就說明「本機推理鏈路」已經通了。

3. 小白常見卡點

• 第一次下載很大：模型體積隨官方打包的量化檔位變化；請預留足夠磁盤空間。 模型的大小9.6GB。
• 顯存不夠：可以嘗試更小的標簽（例如偏向 edge 的檔位），或關閉其他吃顯存的程序。 至少需要16 GB內存。
• 速度很慢：在 CPU 上能跑，但等待時間會變長；這是硬件限制，不是「你配置錯了」的唯一解釋。

愉快的0成本編程吧～ 前提是你需要先安裝好claude Code

四、Gemma 4 E4B 到底是什么水平？ 1. E4B 的「E」是什么意思？

「E」前綴表示 effective parameters（有效參數量）。
E4B 使用Per-Layer Embeddings一類技術：從賬面上看可以把它理解成「體積接近更小一檔的模型」，但在每一層仍攜帶更大模型才容易具備的表示深度；量化之后，內存占用可以壓到讓很多消費級設備也敢嘗試的范圍。

一句話：它看起來像「小個子」，但拳頭比同體積模型更重。

2. 能力大概在什么梯隊？

根據公開材料的大致區間（用于選型，不是精密排名）：

模型 類比定位 GPT-4o 旗艦云端模型（參考基準）Gemma 4 E4B大約介于 GPT-3.5 Turbo 后期 ～ GPT-4o mini 一帶Gemma 4 31B 更接近 GPT-4o 水準的云端/強硬件方向

在部分benchmark語境里，E4B 在AIME 2026數學向題目上可達約42.5%，在LiveCodeBench編程向測試上約52%——對「能在例如 T4 一類入門 GPU 上服務」的規格來說，這已經相當亮眼。

社區里也有實測反饋：更小的 E2B在部分財務分析場景已經能比 Qwen 3.5 4B更快、答案更到位；E4B 又比 E2B 再強一階。

3. 為什么 edge 檔仍然「值得認真用」？

E2B / E4B 這類面向邊端的型號，除了文本，往往還強調：

• 原生多模態：圖片輸入、甚至語音/音頻理解（以具體版本說明為準）。
• 長上下文：例如128K級別的文本窗口——同體積很多小模型做不到。
• 典型用途：本地對話助手、文檔摘要、輕量代碼補全與小范圍重構、看圖說話、語音轉寫后的整理。

即使你后來會訂閱 Claude，本機模型依然有價值：

1. 草稿與機械勞動放在本地：注釋、格式化、生成單元測試骨架、把自然語言需求拆成任務列表。
2. 復雜設計與跨文件推理交給云端 Claude：架構取舍、性能瓶頸、安全審計。
3. 隱私分流：敏感片段先在本地處理；只有脫敏后的片段再上傳。

這樣你既不浪費訂閱額度，又能保留「隨時有個 AI 在邊上當副駕」的習慣。

參考與延伸閱讀

• Ollama 官方站點與模型庫：https://ollama.com
• Gemma 官方發布說明與技術報告（以 Google 文檔為準）：在發布頁檢索 Gemma 4

Ollama 模型庫: https://ollama.com/library