用 Ollama 自托管模型来运行 Blender MCP

Ollama 在你自己的机器上运行模型,并把它暴露成一个本地自托管的 API 端点,兼容 MCP 的客户端可以用它来代替云端服务商。这是进阶路线:GPU 由你自己准备,本地模型这一套加上 MCP 的配置与日常维护也都由你自己负责——比起把客户端指向一个云端模型,工作量要大一个数量级。请预期在复杂的 Blender 任务上,效果通常不如领先的云端模型。如果你要的是私密、离线或完全属于自己的推理环境,这个取舍正是意义所在;如果你想用最少的配置得到最好的结果,请改看 Claude 指南。

开始之前还有一点要说明:Ollama 本身并不支持 MCP 协议。它是一个推理引擎。你需要用一个兼容 MCP 的客户端(Cursor,或装了 Cline 的 VSCode),把它的模型提供方设为 Ollama,同时接上 Blender MCP 服务端。

于是你得到的是:本地自托管模型(Ollama)+ Blender 工具(MCP) = 不依赖云端的 AI 3D 建模。

它是怎么工作的

Ollama 是推理引擎,不是 MCP 客户端。所以你需要一个同时满足这两点的客户端:

1. 支持 MCP 服务端(用来连接 Blender MCP)
2. 能把 Ollama 当作模型后端

Cursor 和装了 Cline 扩展的 VSCode 都满足这两点。Cursor 内置了对 Ollama 的支持;Cline 允许你把 AI 指向 Ollama 的 API。两种情况下,Blender MCP 都是作为一个独立的 MCP 服务端添加进去的。

自托管模型的好处

• 私密 —— 你的提示词和数据不会离开本机
• 离线 —— 模型下载完成后,不联网也能用
• 没有按量计费的账单 —— Ollama、Blender MCP 和开放权重模型都可以免费下载;你付出的是硬件和电费
• 没有速率限制 —— 吞吐取决于你的 GPU,而不是服务商的配额

局限

• 效果更弱 —— 能自托管的开放权重模型,在复杂的 Blender 任务上通常不如领先的云端模型
• 更慢 —— 本地推理一般比云端 API 慢
• 硬件 —— GPU 由你自己准备(建议 8GB 以上显存;更大的模型需要更多)
• 配置与运维 —— 你要配置并持续维护两套东西:本地模型服务,以及 MCP 客户端

前置条件

• Blender 3.0 及以上 —— 从 blender.org 下载 
• Ollama —— ollama.com 
• Cursor 或 VSCode(装 Cline 扩展)
• uv 包管理器 —— 运行 Blender MCP 需要
• GPU —— 本地模型建议 8GB 以上显存

第 1 步:安装 Ollama 并拉取模型

curl -fsSL https://ollama.com/install.sh | sh

ollama pull llama3.1:8b

ollama pull llama3.1:8b

第 2 步:安装兼容 MCP 的客户端

方案 A:Cursor(推荐)

下载 Cursor 。Cursor 原生支持 MCP,并且可以把 Ollama 作为模型提供方。

方案 B:VSCode + Cline

安装 VSCode  和 Cline 扩展 。Cline 支持 MCP,也可以配置成使用 Ollama。

第 3 步:把客户端指向 Ollama

Cursor

1. 打开 Cursor Settings → Models
2. 把 Ollama 添加为模型提供方(Ollama 在运行时,Cursor 会自动检测到)
3. 为 Agent / Composer 选择你拉取的模型(例如 llama3.1:8b)

VSCode + Cline

1. 打开 Cline 的设置
2. 把 API 端点设为你本地的 Ollama 实例(通常是 http://localhost:11434)
3. 在 Cline 的模型选择器里选择你的模型

第 4 步:添加 Blender MCP 服务端

如果还没装 uv,先装上:

curl -LsSf https://astral.sh/uv/install.sh | sh

把 Blender MCP 服务端加入客户端的 MCP 配置。写法和我们其他配置指南里的一样。

Cursor —— 进入 Settings → MCP 并添加:

{
  "mcpServers": {
    "blender": {
      "command": "uvx",
      "args": ["blender-mcp"]
    }
  }
}

{
  "mcpServers": {
    "blender": {
      "command": "cmd",
      "args": ["/c", "uvx", "blender-mcp"]
    }
  }
}

VSCode + Cline —— 把同样的配置加进 Cline 的 MCP 设置(具体位置随 Cline 版本而变,一般在工作区设置或用户设置里)。

第 5 步:安装 Blender 插件并连接

第 6 步:测试整套配置

Blender 已连接、客户端也配好之后:

1. 打开 Agent / Composer(Cursor),或 VSCode 里的 Cline 对话
2. 确认模型已设为你的 Ollama 模型
3. 确认工具列表里出现了 Blender MCP
4. 试试:“在 Blender 里做一个红色立方体” 或 “在原点加一个 UV 球”

本地模型可能需要更清晰、更短的提示词。如果一个复杂请求失败了,就把它拆成更小的步骤。

排错

Ollama 的模型不去调用 Blender 的工具

• 确认这个模型支持函数 / 工具调用(Llama 3.1、Mistral 和 CodeLlama 都支持)
• 先用一个简单的提示词验证 MCP 连接是否正常
• 一些较小的模型在多工具流程上比较吃力——可以换更大的模型试试

Blender MCP 显示未连接

• 和其他指南里的排查方式一样:确认 uv、确认 Blender 插件已启用、确认点过 Connect
• 添加 MCP 配置后重启客户端
• 同一时间只能有一个 MCP 客户端连接 Blender

很慢或者没有反应

• 本地推理比云端 API 慢
• 用更小的模型(llama3.1:8b)可以更快地迭代
• 确认 GPU 确实在被使用(Linux 上可以用 nvidia-smi 查看)

显存不足

• 换更小的模型,或者减小上下文长度
• 关掉其他占用 GPU 的程序

想了解技术细节,可以看我们的 MCP 服务端架构详解。

配置还是不顺利?这正是开源那条路的代价 —— AI 客户端、模型和配置都要你自己选、自己维护。我们自己的付费应用 3D-Agent 则把 AI 和整套工具一并包含在内。 对比 Blender MCP 与 3D-Agent →