TLDR;

É possível apontar o Claude Code para um servidor Ollama alterando a variável de URL base e tokens, permitindo usar Claude Code exatamente como antes mas com modelos locais ou hospedados via Ollama. Ao rodar modelos localmente com Ollama (por exemplo Gemma 4) você evita custos de API da Anthropic e pode reduzir drasticamente os gastos, já que modelos locais não geram cobrança de uso de API. É preciso hardware adequado — memória e VRAM influenciam contexto e desempenho (por exemplo <24GB VRAM → ~4K contexto; 28–48GB → ~32K; >48GB → ~256K) — e Ollama também oferece suporte para Apple Silicon via MLX, Docker e GPUs NVIDIA/AMD.

Resumo

Ollama é um servidor headless de modelos de linguagem (LM) com mais de 176 mil stars no GitHub que permite rodar modelos abertos através de qualquer app ou agente — incluindo Claude Code, CodeX e OpenCode — apontando ferramentas para instâncias locais ou modelos hospedados. Basta alterar a variável de ambiente base URL e o token para usar Ollama com interfaces existentes, desbloqueando centenas de modelos (por exemplo GLM, DeepSeek, Qwen 3.6, Gemma, Gwen, MiniMax). Pelo CLI ou pela própria interface, é possível executar modelos localmente — como Gemma 4 — conversar com eles, realizar detecção de imagens e evitar custos de API. O desempenho depende fortemente de memória e GPU: <24 GB de VRAM fornece ~4K de contexto; 28–48 GB, ~32K; >48 GB, contexto muito maior. No macOS, Ollama passou a usar MLX para tirar proveito da memória unificada e aceleradores neurais da Apple, acelerando geração. Também roda em Docker com suporte a GPUs Nvidia/AMD e fornece API/endpoints. Em comparação, vLLM é mais indicado para serviços hospedados e alta performance; LM Studio é mais semelhante a Ollama para fluxos locais e tem GUI, embora Ollama também ofereça interface oficial. Há muitas outras ferramentas no ecossistema no mercado de IA.