Ollama Deep-dive

# Provjera da li je Ollama instalirana i koja je verzija
ollama --version
# Trebate vidjeti nešto poput: ollama version 0.3.x

# Provjera da li Ollama servis radi (treba da vidite "running")
ollama list
# Ako je servis pokrenut, vidjet ćete praznu listu ili već preuzete modele

# Preuzimanje Llama 3.2 3B modela (~2 GB)
# Ovaj model radi na računarima sa 8 GB RAM-a (CPU ili GPU)
ollama pull llama3.2

# Praćenje napretka preuzimanja prikazuje se automatski u terminalu

# Pokretanje interaktivnog chat-a sa modelom
ollama run llama3.2

# Sada možete kucati direktno u terminal!
# Probajte upisati:
# >>> Zdravo! Šta možeš uraditi za mene?
# >>> Napiši PowerShell skriptu koja lista sve procese koji troše više od 100 MB RAM-a
# >>> Objasni šta je DNS i kako funkcionira

# Za izlaz iz chat-a upisite:
# >>> /bye

# Lista svih preeuzetih modela (ime, veličina, datum preuzimanja)
ollama list

# Detalji o specifičnom modelu (arhitektura, veličina konteksta, quantizacija)
ollama show llama3.2

# Preuzimanje dodatnih modela (za vježbu - ovisno o vašem disku)
ollama pull mistral          # Mistral 7B - dobar za kod i analitiku (~4 GB)
ollama pull codellama        # CodeLlama 7B - specijalizovan za kod (~4 GB)
ollama pull phi3:mini        # Microsoft Phi-3 Mini 3.8B - mali ali moćan (~2 GB)

# Brisanje modela (oslobađanje prostora)
ollama rm llama3.2

# Kopiranje modela (za kreiranje customiziranih verzija)
ollama cp llama3.2 moj-asistent

# Idite u vaš AI_Kurs folder
cd C:\Users\$env:USERNAME\Desktop\AI_Kurs

# Aktivirajte virtual environment (ako nije već aktivan)
.\venv\Scripts\Activate.ps1

# Instalirajte potrebne biblioteke
# requests - za direktne HTTP zahtjeve
# ollama - officialna Python biblioteka za Ollama
pip install requests ollama

# Provjera instalacije
python -c "import requests; import ollama; print('OK - requests i ollama biblioteke su instalirane')"

"""
ollama_requests.py
Demonstracija direktnog HTTP pristupa Ollama API-ju putem requests biblioteke.
Koristimo ovaj pristup kada želimo maksimalnu kontrolu nad HTTP zahtjevima.
"""

# Importujemo requests biblioteku za HTTP komunikaciju
import requests
# Importujemo json za parsiranje API odgovora
import json

# KONFIGURACIJA
# Ollama server se uvijek pokreće na localhost:11434
OLLAMA_URL = "http://localhost:11434"
# Koristimo llama3.2 - morat ćete prethodno ga preuzeti sa: ollama pull llama3.2
MODEL = "llama3.2"

# ================================================================
# FUNKCIJA 1: Provjera statusa servera
# ================================================================
def provjeri_server():
    """Provjerava da li Ollama server radi."""
    try:
        # Šaljemo GET zahtjev na root endpoint
        response = requests.get(OLLAMA_URL, timeout=5)
        # status_code 200 znači "OK" - server je aktivan
        if response.status_code == 200:
            print("✅ Ollama server je aktivan!")
            return True
        else:
            print(f"❌ Server odgovara ali sa kodom: {response.status_code}")
            return False
    except requests.exceptions.ConnectionError:
        # Ova greška znači da server nije dostupan na datoj adresi
        print("❌ Ollama server nije dostupan. Je li Ollama pokrenuta?")
        print("   Pokrenite: ollama serve   (u posebnom terminalu)")
        return False

# ================================================================
# FUNKCIJA 2: Lista dostupnih modela
# ================================================================
def lista_modela():
    """Vraća listu svih lokalno dostupnih modela."""
    # /api/tags endpoint vraća JSON sa listom svih modela
    response = requests.get(f"{OLLAMA_URL}/api/tags")
    # response.json() automatski parsira JSON string u Python dict
    podaci = response.json()

    print("\n📋 Dostupni lokalni modeli:")
    # podaci['models'] je lista dict-ova, svaki opisuje jedan model
    for model in podaci['models']:
        # model['name'] je ime modela (npr. "llama3.2:latest")
        # model['size'] je veličina u bajtovima
        velicina_gb = model['size'] / (1024**3)  # Konverzija bajtova u GB
        print(f"  • {model['name']} ({velicina_gb:.1f} GB)")
    return podaci['models']

# ================================================================
# FUNKCIJA 3: Generisanje teksta (non-streaming)
# ================================================================
def generiraj_tekst(prompt, model=MODEL):
    """
    Šalje upit modelu i čeka kompletan odgovor.
    'stream': False znači da čekamo cijeli odgovor odjednom.
    Pogodno za kratke upite.
    """
    print(f"\n🤖 Šaljem upit modelu '{model}'...")
    print(f"📝 Prompt: {prompt[:100]}...")  # Prikazujemo prvih 100 znakova

    # Pravimo POST zahtjev na /api/generate endpoint
    response = requests.post(
        f"{OLLAMA_URL}/api/generate",
        # json= parametar automatski serijalizuje Python dict u JSON string
        # i postavlja Content-Type: application/json header
        json={
            "model": model,        # Koji model koristiti
            "prompt": prompt,      # Tekst upita
            "stream": False,       # False = čekaj cijeli odgovor (blokirajuće)
            "options": {
                "temperature": 0.7,    # Kreativnost (0=deterministički, 1=kreativan)
                "num_predict": 500,    # Maksimalni broj tokena u odgovoru
            }
        }
    )

    # Parsiramo JSON odgovor servera
    rezultat = response.json()

    # 'response' ključ u JSON-u sadrži generirani tekst
    odgovor = rezultat['response']

    # Ispisujemo metadata o generisanju
    print(f"\n✅ Odgovor primljen!")
    print(f"   Generirani tokeni: {rezultat.get('eval_count', 'N/A')}")
    print(f"   Ukupno trajanje: {rezultat.get('total_duration', 0) / 1e9:.2f} sekunde")
    print(f"\n{'='*60}")
    print(odgovor)
    print(f"{'='*60}\n")

    return odgovor

# ================================================================
# FUNKCIJA 4: Streaming odgovor (za duže generisanje)
# ================================================================
def generiraj_streaming(prompt, model=MODEL):
    """
    Streaming mode: prikazuje tekst token po token dok se generira.
    Korisno za duže odgovore - korisnik ne čeka dugo na prvu poruku.
    """
    print(f"\n🌊 Streaming upit modelu '{model}'...")

    # stream=True u requests.post() znači da čitamo odgovor postepeno
    response = requests.post(
        f"{OLLAMA_URL}/api/generate",
        json={
            "model": model,
            "prompt": prompt,
            "stream": True      # True = streaming mode
        },
        # stream=True u requests parametrima drži konekciju otvorenom
        stream=True
    )

    print("\n📡 Streaming odgovor:")
    # Iteriramo kroz linije HTTP odgovora
    # Svaka linija je jedan JSON objekt koji sadrži jedan token (ili više)
    for linija in response.iter_lines():
        if linija:
            # Dekodirajmo bajtove u string
            tekst_linije = linija.decode('utf-8')
            # Parsiramo JSON svake linije
            chunk = json.loads(tekst_linije)
            # 'response' u svakom chunks sadrži jedan ili više tokena
            print(chunk['response'], end='', flush=True)
            # 'done' == True kada model završi generisanje
            if chunk.get('done'):
                print("\n\n✅ Generisanje završeno!")
                break

# ================================================================
# GLAVNA FUNKCIJA
# ================================================================
if __name__ == "__main__":
    # Korak 1: Provjera servera
    if not provjeri_server():
        exit(1)

    # Korak 2: Lista modela
    lista_modela()

    # Korak 3: Test generisanja (non-streaming)
    generiraj_tekst(
        "Objasni u 3-4 rečenice šta je DNS i kako funkcionira. "
        "Koristi analogiju za lakše razumijevanje."
    )

    # Korak 4: Test streaming mode
    generiraj_streaming(
        "Napiši kratak PowerShell skript koji provjerava dostupnost "
        "5 web stranica i ispisuje status svake."
    )

# Pokretanje skripte
python ollama_requests.py

"""
ollama_library.py
Demonstracija korištenja officialne 'ollama' Python biblioteke.
Čistiji API, OpenAI-kompatibilan interfejs.
"""

# Importujemo ollama biblioteku
import ollama

# ================================================================
# PRISTUP 1: Jednokratni upit (generate)
# ================================================================
print("=== PRISTUP 1: Jednokratni upit ===")

# ollama.generate() je ekvivalent /api/generate endpointu
odgovor = ollama.generate(
    model='llama3.2',
    prompt='Šta je subnet mask i zašto je važna u mrežnoj administraciji?',
    options={
        'temperature': 0.5,     # Niža temperatura = konzistentniji odgovor
        'num_predict': 300,     # Maksimum tokena u odgovoru
    }
)

# Odgovor je Python dict. Ključ 'response' sadrži generirani tekst.
print(odgovor['response'])

# ================================================================
# PRISTUP 2: Chat mode (sa historijom razgovora)
# ================================================================
print("\n=== PRISTUP 2: Chat mode ===")

# chat() metoda uzima listu poruka (historija razgovora)
# Svaka poruka je dict sa 'role' i 'content' ključevima
# role može biti: 'system', 'user', ili 'assistant'

odgovor_chat = ollama.chat(
    model='llama3.2',
    messages=[
        {
            # 'system' poruka definiše ulogu i ponašanje modela
            'role': 'system',
            'content': 'Ti si iskusan IT administrator sa 15 godina iskustva. '
                       'Odgovaraj precizno i tehnički, uvijek navodi primjere.'
        },
        {
            # 'user' poruka je pitanje korisnika
            'role': 'user',
            'content': 'Koji su najčešći uzroci sporog Windows servera?'
        }
    ]
)

# U chat mode-u, odgovor je u: odgovor_chat['message']['content']
print(odgovor_chat['message']['content'])

# ================================================================
# PRISTUP 3: Višestruki razgovor (multi-turn)
# ================================================================
print("\n=== PRISTUP 3: Višestruki razgovor ===")

# Čuvamo historiju razgovora u listi
historija = [
    {
        'role': 'system',
        'content': 'Ti si PowerShell ekspert. Daj kratke, konkretne odgovore sa primjerima koda.'
    }
]

# Lista pitanja koja ćemo postavljati
pitanja = [
    "Kako listam sve pokrenute Windows servise?",
    "Kako zaustavim specifičan servis?",
    "Kako automatski pokrenem servis pri startanju Windows-a?"
]

for i, pitanje in enumerate(pitanja, 1):
    print(f"\n👤 Pitanje {i}: {pitanje}")

    # Dodajemo novo user pitanje u historiju
    historija.append({'role': 'user', 'content': pitanje})

    # Šaljemo cijelu historiju - model "pamti" prethodni razgovor
    odgovor = ollama.chat(model='llama3.2', messages=historija)

    # Dohvatamo odgovor modela
    odgovor_tekst = odgovor['message']['content']
    print(f"🤖 AI: {odgovor_tekst}")

    # VAŽNO: Dodajemo odgovor modela u historiju za sljedeće pitanje
    historija.append({'role': 'assistant', 'content': odgovor_tekst})

print("\n✅ Razgovor završen!")

python ollama_library.py

"""
log_analyzer.py
AI-potpomognuti analizator Windows Event Log-ova.
Koristi lokalni Ollama model za interpretaciju grešaka.
"""

import ollama
import subprocess
import json
from datetime import datetime

# ================================================================
# KORAK 1: Kreiranje test log sadržaja
# (U realnom scenariju, ovo bi bili stvarni Windows Event Log-ovi)
# ================================================================
TESTNI_LOG = """
2024-01-15 08:23:11 ERROR [Kernel] - System failed to allocate memory for process explorer.exe. Available: 245 MB
2024-01-15 08:23:15 ERROR [Disk] - The device \Device\HarddiskVolume3 has a bad block. Possible data corruption.
2024-01-15 08:23:18 WARNING [Network] - TCP connection timeout connecting to 192.168.1.100:443. Retry 3/5.
2024-01-15 08:24:01 ERROR [Application] - IIS worker process crashed with exit code 0x800700C1. App pool DefaultAppPool recycled.
2024-01-15 08:24:45 CRITICAL [Security] - Multiple failed login attempts for user 'Administrator' from IP 192.168.1.55. (47 attempts in 60 seconds)
2024-01-15 08:25:10 ERROR [Database] - SQL Server connection pool exhausted (max 100 connections). New connections refused.
2024-01-15 08:25:30 WARNING [Disk] - Drive C: has only 2.3 GB free space remaining (98.5% full).
"""

# ================================================================
# KORAK 2: Funkcija za analizu log-a
# ================================================================
def analiziraj_log(log_sadrzaj):
    """
    Šalje log sadržaj Ollama modelu sa strukturiranim system promptom
    i traži analizu i preporuke za rješavanje problema.
    """
    print("🔍 Analiziram log fajl sa AI pomočnicom...")

    # System prompt koji definiše ponašanje modela
    # (system prompt na engleskom je efikasniji - manje tokena, bolja obrada)
    system_prompt = """You are an experienced Windows Server administrator and security analyst.
When analyzing server logs, you:
1. Identify critical issues that require immediate attention
2. Categorize errors by severity (Critical/High/Medium/Low)
3. Provide specific diagnostic steps
4. Suggest concrete PowerShell commands for remediation
Always structure your response clearly with headers and bullet points.
Respond in Bosnian language."""

    # User prompt sa log sadržajem
    user_prompt = f"""Analiziraj sljedeće Windows Server log zapise i pruži:
1. Sažetak kritičnih problema (sortiran po prioritetu)
2. Za svaki problem: uzrok, rizik i konkretni koraci za rješavanje
3. PowerShell komande za dijagnozu ili popravku gdje je primjenjivo

LOG SADRŽAJ:
{log_sadrzaj}"""

    # Poziv Ollama chat API-ja
    odgovor = ollama.chat(
        model='llama3.2',
        messages=[
            {'role': 'system', 'content': system_prompt},
            {'role': 'user', 'content': user_prompt}
        ],
        options={
            'temperature': 0.3,    # Niska temperatura = konzistentna, faktična analiza
            'num_predict': 1000,   # Dozvoljavamo duži odgovor za kompleksnu analizu
        }
    )

    return odgovor['message']['content']

# ================================================================
# KORAK 3: Pokretanje analize
# ================================================================
if __name__ == "__main__":
    print("="*60)
    print("🤖 AI Log Analizator (Ollama + Llama 3.2)")
    print("="*60)
    print(f"📅 Analiza pokrenuta: {datetime.now().strftime('%Y-%m-%d %H:%M:%S')}")
    print(f"📄 Analiziram {len(TESTNI_LOG.splitlines())} linija log-a...\n")

    # Pokretanje AI analize
    analiza = analiziraj_log(TESTNI_LOG)

    print("="*60)
    print("📊 AI ANALIZA REZULTATA")
    print("="*60)
    print(analiza)
    print("="*60)
    print(f"✅ Analiza završena: {datetime.now().strftime('%H:%M:%S')}")

python log_analyzer.py