应根据硬件配置、开发语言和任务类型选择Ollama模型：轻量机选phi3:3.8b（需关闭stream）、主力机选qwen2:7b、Java后端选deepseek-coder-v2:6.7b或微调变体。
☞☞☞AI 智能聊天, 问答助手, AI 智能搜索, 多模态理解力帮你轻松跨越从0到1的创作门槛☜☜☜
在Cursor中接入Ollama时选错模型会导致代码补全卡顿、响应超时或生成结果不可用，必须根据硬件配置、开发语言和任务类型匹配对应模型。
轻量级开发机（16GB内存以下）优先选Phi-3:3.8b
第一步：执行ollama pull phi3:3.8b拉取官方量化版模型
Phi-3体积仅2.1GB，推理时内存占用稳定在3.2GB以内，M1/M2芯片MacBook或i5/ Ryzen5笔记本可全程无swap运行。
注意：该模型不支持超过4096 token的长上下文，若项目含大文件或复杂依赖链，需手动拆分提示词。
第二步：在Cursor设置中填入model字段为phi3:3.8b，endpoint保持http://localhost:11434/v1/chat/completions
【必须关闭stream流式输出】，否则Cursor会因Phi-3不兼容SSE协议而持续pending。
主力开发机（32GB内存+RTX4060及以上）推荐Qwen2:7b
Qwen2在中文注释生成、TypeScript类型推导、Vue组件结构还原三项测试中准确率均超81%，且对.cursor/rules.md中的自定义指令响应更鲁棒。
直接运行ollama run qwen2:7b验证基础响应后，再配置Cursor代理。
统一LLM网关 - 一个API对接70+AI模型，使用单一API密钥即可调用GPT、Claude、Gemini、Qwen、Deepseek、Grok等主流模型。
这一步操作起来很简单，直接把model值设为qwen2:7b即可，无需修改任何API参数。
企业级后端开发（Java/Spring Boot/微服务）锁定DeepSeek-Coder-V2
方法一：拉取专用代码模型ollama pull deepseek-coder-v2:6.7b
该模型在Spring Boot自动装配、MyBatis XML映射生成、分布式事务补偿逻辑等场景实测错误率比Llama3低37%。
方法二：启用LoRA微调适配内部框架
将公司私有starter的spring-boot-starter-xxx源码喂给Ollama微调，生成deepseek-coder-v2-internal变体模型。
此时Cursor中model字段必须严格填写微调后模型名，【名称大小写与ollama list输出完全一致】，否则请求直接返回404。
