本週完成成果
你會用同一組公開安全測試題比較 Ollama 上的 Gemma 2 與 Gemini，而不是憑印象說本地或雲端比較好。評測會同時看回答品質、時間、資源、資料去向與成本。
完成標準｜兩個模型使用同一份 prompts；報告記錄環境、模型名、時間、人工評分與限制；若 Codespace 資源不足，也能以誠實的 blocker 報告完成驗證。
課前準備
步驟 1｜先確認第三小時邊界：前兩小時 DLI 由官方課程處理，本篇只進行課綱指定的本地／雲端比較。
預期結果｜不把 DLI 題目、答案或教材複製到 Repo。
步驟 2｜Codespaces：查看 CPU、記憶體與磁碟，判斷是否符合老師指定模型需求。
nproc
free -h
df -h .預期結果｜把實際規格記入 ollama_report.md；規格不足先回報，不盲目下載大型模型。
步驟 3｜小組：準備五個不含個資的固定問題，例如校園公告整理、菜單分類與讀書計畫。
預期結果｜兩個模型收到完全相同文字與輸出要求。
第三小時｜個人技術實作
故事開始｜像選擇在宿舍煮飯或叫外送：自己煮可能較能掌握食材，但需要廚房、時間與設備；外送方便，卻要考慮價格與資料交給誰。模型部署也沒有永遠唯一的答案。
老師先問｜本地模型一定比較隱私、免費嗎？本地可以減少資料送出，但電腦、電力、維護與存取權仍有成本；雲端也要依服務條款與資料等級判斷。
生活比喻｜同一張考卷要在相同條件下比較：題目、時間計法與評分尺都相同，才能知道差異來自模型而不是測試方式。
先看全程地圖｜先看懂資料與決策怎麼移動，再開始操作。圖中的箭頭代表下一步，不代表可以跳過人工確認。
┌──────────┐
│ 同一組安全題目│
└────┬─────┘
├────────→ 本地 Ollama／Gemma 2 ────┐
└────────→ 雲端 Gemini ───────────┤
↓
┌────────────────┐
│速度／品質／成本／隱私│
└───────┬────────┘
↓
人工選擇適用情境步驟 4｜依老師提供的已準備環境確認 Ollama API；不要在資源不足的 Codespace 臨時下載。
curl -s http://localhost:11434/api/tags預期結果｜回傳可用模型清單；連不上時記錄 blocker 與環境，不自行改防火牆。
步驟 5｜建立固定 prompt 檔與測試紀錄格式。
{"id":"p1","prompt":"只根據下列公開公告整理日期、地點與待確認事項：..."}
{"id":"p2","prompt":"把下列一週讀書任務分成五天，不能新增原文沒有的作業：..."}預期結果｜兩個 provider 使用相同 prompt ID。
步驟 6｜執行老師提供的比較腳本或小組 codes/ollama_test，記錄模型完整名稱與耗時。
python codes/ollama_test/compare.py --prompts week10_ollama/prompts.jsonl --output week10_ollama/results.jsonl預期結果｜每筆結果包含 provider、model、elapsed_seconds 與 response；Secrets 不寫入結果。
步驟 7｜兩位同學盲評輸出：隱藏模型名稱，依正確、完整、不亂補、好閱讀各 1–5 分。
預期結果｜保留兩位評分與差異，不只選自己喜歡的文字風格。
課堂收束｜完成一句決策：「在＿＿情境我們選＿＿，因為＿＿；如果＿＿改變，就重新評估。」模型比較的成果是選擇條件，不是宣布永久冠軍。
指定閱讀與課後作業
指定閱讀｜依課綱完成個人 week10_ollama Python 測試；查閱 Ollama API 與 GitHub Codespaces 機器規格官方文件。模型名稱與可用性會變動，以教師當週公告為準。
課後作業方向｜個人整理測試程式，小組在 feat-ollama 分支完成比較報告。若無法在 Codespaces 啟動模型，提交可重現環境證據與替代的教師準備測試結果，不偽造成功。
步驟 8｜個人：在 week10_ollama/ 保存 prompts 與安全的結果摘要，不保存 API key 或私人輸入。
預期結果｜別人能知道測了什麼與使用哪個模型。
步驟 9｜小組：完成 ollama_report.md 並提交 PR。
git add week10_ollama codes/ollama_test ollama_report.md
git commit -m 'W10: compare local and cloud model tradeoffs'
git push -u origin HEAD預期結果｜報告包含環境規格、五題結果、人工評分、成本／隱私與限制。
驗收方式
test -s ollama_report.md
test -s week10_ollama/prompts.jsonl
rg -n "模型|環境|耗時|隱私|成本|限制" ollama_report.md通過條件｜同題同尺比較完成；模型與環境可辨識；人工評分與限制保留；資源不足時有真實 blocker 證據。
應提交的 Repo 檔案
必交｜week10_ollama/、codes/ollama_test/、ollama_report.md。只提交課綱指定成果與重現所需說明；不得提交 API key、個資、私人對話、未授權資料或大型模型檔。
常見問題與排除
問題 1｜Ollama connection refused：確認老師提供的服務是否啟動與 API 位址，不自行暴露 11434 到公開網路。
問題 2｜模型下載空間不足：停止下載並回報規格；不要刪除別組或系統資料。
問題 3｜比較不公平：固定 prompt、temperature／參數與評分尺，並記錄無法完全相同之處。
引用資料
國立中央大學授課課綱／劉書銘老師，《劉書銘老師課程大綱_基礎模型與生成式人工智慧-更新版.pdf》；教師提供附件。用途：W1–W16 時段、實作主題、評量與交付物。
Ollama，《Ollama API Introduction》；https://docs.ollama.com/api/introduction；查閱日期：2026-08-04。用途：W10 Ollama 本機 API 位址、generate request 與模型呼叫。
Google AI for Developers，《Text generation》；https://ai.google.dev/gemini-api/docs/generate-content/text-generation；查閱日期：2026-08-04。用途：Gemini Python SDK 文字生成請求、模型參數與回應文字介面。
GitHub Docs，《Changing the machine type for your codespace》；https://docs.github.com/en/codespaces/customizing-your-codespace/changing-the-machine-type-for-your-codespace；查閱日期：2026-08-04。用途：W7、W10 Codespaces 資源、機器規格與可能費用差異。