Gemma 4 的 10 个实用场景
Gemma 4 是一个强大的开源 AI 模型，但它到底能用来干什么？本文整理了 10 个真实的应用场景，每个场景都附带推荐的模型大小和你可以直接复制使用的示例 Prompt。
以下所有场景都可以通过 Ollama 在本地运行，无需 API 密钥，不依赖云端，数据完全不会离开你的设备。
1. 本地编程助手
推荐模型： Gemma 4 12B 或 27B
把 Gemma 4 变成你的私人编程助手，它能理解你的代码、提出改进建议、帮你写重复性代码。
示例 Prompt：
写一个 Python 函数，读取 CSV 文件，筛选出 "status" 列等于 "active" 的行，
返回字典列表。包含文件不存在和 CSV 格式错误的异常处理。核心优势： 跟云端助手不同，你的代码永远不会离开你的电脑。你可以放心地把整个项目文件通过 Ollama API 传给 Gemma 4，完全不用担心代码泄露给第三方。
# 在终端中把 Gemma 4 当编程助手用
cat myfile.py | ollama run gemma4:12b "审查这段代码并提出改进建议："2. 文档分析
推荐模型： Gemma 4 12B
把合同、报告、研究论文或任何长文本丢给 Gemma 4，获取结构化摘要、关键要点或针对特定问题的回答。
示例 Prompt：
我要粘贴一份 10 页的合同。请你：
1. 用 5 个要点总结核心条款
2. 找出可能值得关注的异常条款
3. 列出所有提到的截止日期
4. 标记任何表述模糊、需要澄清的内容
[在此粘贴合同文本]为什么好用： Gemma 4 的 128K 上下文窗口可以一次性处理大量文档内容。12B 模型有足够的推理能力来理解法律和商业语言中的细微差别。
3. 语言翻译
推荐模型： Gemma 4 12B
Gemma 4 在主要语言之间提供出色的翻译质量，尤其当你提供关于语气和受众的上下文时效果更好。
示例 Prompt：
将以下英文营销文案翻译成自然、口语化的日语。目标受众是 30 多岁的科技行业
从业者。避免过于正式的表达，语气要友好但不失专业。
"Our new app helps you organize your work and life in one place.
No more switching between five different tools just to get through your day."技巧： 翻译时一定要说明目标受众、期望的语气和领域术语。笼统地说"翻译一下"只会得到笼统的翻译。
4. 图像理解
推荐模型： Gemma 4 12B 或 27B（多模态版本）
Gemma 4 的视觉能力让你可以分析图片、从截图中提取文字、描述图表、理解视觉内容——全部在本地完成。
示例（通过 API 调用）：
import ollama
response = ollama.chat(
model="gemma4:12b",
messages=[{
"role": "user",
"content": "描述这张图片的内容，并提取图中可见的所有文字。",
"images": ["./screenshot.png"]
}]
)
print(response["message"]["content"])图像理解的具体应用：
- 从截图或文档照片中提取文字
- 为无障碍访问描述图表和数据可视化
- 分析 UI 设计稿并提出改进建议
- 识别照片中的物体和场景
5. 内容写作
推荐模型： Gemma 4 12B
从博客文章到产品描述再到社交媒体文案，Gemma 4 可以帮你起草初稿，然后你再用自己的风格和专业知识来润色。
示例 Prompt：
写一段 300 字的博客开头，介绍本地运行 AI 模型相比使用云端 API 的好处。
语气要务实、略带主观态度——不要企业腔或万金油式的表达。目标读者是对
本地 AI 好奇但还没尝试过的开发者。
避免 "在当今快速发展的时代" 这类套话。用一个具体的场景开头，不要抽象陈述。写作诀窍： 指令越具体，输出质量越高。告诉 Gemma 4 不要写什么，跟告诉它要写什么一样重要。
6. 从 PDF 中提取结构化数据
推荐模型： Gemma 4 12B（扫描版 PDF 可用视觉模型）
将非结构化的 PDF 内容转换为结构化数据。Gemma 4 可以从文档中提取表格、键值对和特定数据点。
示例 Prompt：
从这份发票中提取所有明细项，并格式化为 JSON：
[在此粘贴发票文本]
期望格式：
{
"invoice_number": "...",
"date": "...",
"items": [
{"description": "...", "quantity": 0, "unit_price": 0.00, "total": 0.00}
],
"subtotal": 0.00,
"tax": 0.00,
"total": 0.00
}处理扫描版 PDF 的技巧： 先用视觉模型从页面图片中提取文字，再处理提取出的文字来获取结构化数据。这种两步方法能应对大多数真实场景下的 PDF。
7. 客服聊天机器人
推荐模型： Gemma 4 2B (E2B) 追求速度，12B 追求质量
搭建一个私密、零成本的客服机器人，运行在你自己的基础设施上，客户数据永远不会发送到外部服务器。
示例系统 Prompt：
你是 TechCo 公司的客服助手，TechCo 是一家软件公司。
规则：
- 始终保持礼貌和专业
- 如果不知道答案，坦诚告知并建议联系 support@techco.com
- 绝不编造产品功能或价格
- 简单问题保持简洁回复（2-3 句话）
- 计费问题一律建议联系计费团队
产品信息：
- TechCo Pro：¥199/月，包含 5 个用户，100GB 存储
- TechCo Enterprise：¥699/月，无限用户，1TB 存储
- 免费试用：14 天，无需信用卡为什么本地运行很重要： 客户对话中经常包含敏感信息——姓名、账户信息、投诉内容。本地运行意味着零数据泄露风险。
8. 代码审查
推荐模型： Gemma 4 12B 或 27B
给你的代码多一双眼睛。Gemma 4 可以发现 bug、提出改进建议、识别安全漏洞、推荐更好的设计模式。
示例 Prompt：
审查以下 Python 代码，关注：
1. 潜在的 bug 或边界情况
2. 安全漏洞
3. 性能问题
4. 代码风格改进
5. 缺失的错误处理
请具体到行号，并解释每个问题的影响。
```python
def get_user_data(user_id):
conn = sqlite3.connect("users.db")
cursor = conn.cursor()
result = cursor.execute(f"SELECT * FROM users WHERE id = {user_id}")
data = result.fetchone()
return {"id": data[0], "name": data[1], "email": data[2]}
Gemma 4 能准确识别出 SQL 注入漏洞、缺少连接清理、对空结果缺少错误处理等问题，并建议使用参数化查询和上下文管理器。
---
## 9. 研究文献摘要
**推荐模型：** Gemma 4 12B 或 27B
将冗长的研究论文、技术文档或文章集合浓缩成可执行的摘要。
**示例 Prompt：**用以下三个部分总结这篇研究论文：
- 核心发现（2-3 句话）：他们发现了什么？
- 研究方法（2-3 句话）：他们是怎么验证的？
- 实际意义（2-3 句话）：对我有什么用？
同时指出作者承认的研究局限性。
[在此粘贴论文文本]
**批量处理技巧：** 通过 Ollama API 批量处理多篇论文：
```python
import ollama
papers = ["paper1.txt", "paper2.txt", "paper3.txt"]
for paper_path in papers:
with open(paper_path) as f:
content = f.read()
response = ollama.chat(
model="gemma4:12b",
messages=[{
"role": "user",
"content": f"用 3 个要点总结这篇论文：\n\n{content}"
}]
)
print(f"\n--- {paper_path} ---")
print(response["message"]["content"])10. 隐私敏感应用
推荐模型： Gemma 4 12B（具体大小视任务而定）
与其说这是一个单独的场景，不如说是一整类应用——所有数据隐私不可妥协的任务。
典型应用：
- 医疗笔记处理 —— 整理患者病历，健康数据不出本地
- 法律文件审查 —— 分析包含商业机密的合同
- 财务分析 —— 处理公司内部财务报表和预测
- 人力资源工作流 —— 筛选简历、撰写职位描述、汇总员工反馈
- 个人日记和反思 —— 用 AI 帮你整理思绪，没有任何公司能看到你的内容
医疗笔记示例 Prompt：
将以下患者就诊记录整理为结构化格式：
- 主诉
- 主要发现
- 诊断
- 治疗方案
- 是否需要随访（是/否，何时）
摘要控制在 100 字以内，适当使用医学术语。
[在此粘贴病历]隐私优势是绝对的： 当你在本地运行 Gemma 4 时，你的数据在物理层面上就不可能到达外部服务器。没有服务条款需要担心，没有数据保留政策要阅读，没有第三方数据处理的合规风险。数据从你的硬盘到 GPU 再回来——仅此而已。
模型大小选择指南
快速参考表：
| 应用场景 | 2B (E2B) | 12B | 27B |
|---|---|---|---|
| 编程助手 | 基础可用 | 推荐 | 最佳 |
| 文档分析 | - | 推荐 | 最佳 |
| 语言翻译 | 基础可用 | 推荐 | 最佳 |
| 图像理解 | - | 推荐 | 最佳 |
| 内容写作 | 基础可用 | 推荐 | 最佳 |
| PDF 数据提取 | - | 推荐 | 良好 |
| 客服机器人 | 推荐（快） | 最佳（质量） | 没必要 |
| 代码审查 | - | 良好 | 推荐 |
| 研究摘要 | - | 良好 | 推荐 |
| 隐私应用 | 视任务而定 | 推荐 | 最佳 |
通用建议： 从 12B 开始。它能很好地处理 90% 的场景。需要更深度推理（复杂代码、细致分析）时升级到 27B，需要极致速度和低资源占用时降级到 2B。
开始使用
以上所有场景现在就可以通过 Ollama 使用：
ollama pull gemma4:12b
ollama run gemma4:12b选一个场景，试试示例 Prompt，然后根据你的实际工作流调整。了解 Gemma 4 能做什么的最好方式，就是开始用它。
