一、为什么要在本地搭一个 AI 助手？
过去一年，大模型从'新奇玩意儿'迅速变成'日常生产力工具'。但如果你只用网页版 ChatGPT / 文心一言 / 通义千问，会碰到几个很现实的问题：
- 数据隐私：公司内部文档、个人笔记、聊天记录，你敢全部塞到线上吗？
- 网络依赖：在飞机上、高铁里，或者公司内网严格管控时，在线 AI 直接'失联'。
- 额度与费用：免费额度有限，稍微重度一点就要付费，而且你也不知道自己的数据会不会被拿去训练。
本地部署一套'AI + 知识库'的好处就非常直观：
- 数据完全不出本地，满足隐私合规要求。
- 断网也能用，随时随地调取你的'第二大脑'。
- 可定制：可以给团队搭一个'企业 FAQ 助手'，给自己搭一个'读书笔记助手'。
本系列文章的目标，就是带你从零开始，在本地搭一个类似 ChatGPT 的 Web 界面，并且支持上传文档构建知识库（RAG）的 AI 助手。
二、整体架构：我们要搭的是一个什么样的系统？
核心组件说明如下：
- Ollama：本地模型运行时，负责加载和调度大模型、嵌入模型，提供统一的 API。
- Qwen2.5 系列 / DeepSeek-R1 等：本地对话大模型，作为'大脑'。
- 嵌入模型（Embedding）：把文本转成向量，用于知识库检索，比如
nomic-embed-text、bge-m3等。 - 向量数据库 / 向量索引：存储文档向量，负责相似度检索（Open WebUI 自带，也可以外接 Chroma、Milvus 等）。
- Open WebUI：类 ChatGPT 的 Web 界面，支持对话、上传文档、配置知识库。
核心流程：
浏览器 Web UI → Ollama 模型服务（本地大模型 Qwen2.5 + 嵌入模型）→ 向量知识库 → 问题向量化 → 构建上下文 → 检索结果 → 回答
三、工具选型：为什么推荐 Ollama + Open WebUI？
3.1 大模型运行时：Ollama
对比直接用 transformers + PyTorch 自己搭一套推理服务，Ollama 的优势非常明显：
- 跨平台：Windows / macOS / Linux 都有官方安装包，安装就是下一步下一步。
- 一键拉模型：
ollama pull qwen2.5:7b-instruct就能拉取并运行模型，不需要自己处理 GGUF、量化、CUDA 等一堆细节。 - 统一 API：默认在本地
11434端口提供 REST API，兼容 OpenAI 调用方式，方便后续写代码集成。 - 资源友好：支持 CPU / Apple Silicon GPU / NVIDIA GPU，自动检测并使用可用硬件加速。
实战经验：如果你只是想'先用起来'，而不是做底层研究，Ollama 是目前性价比最高的选择之一。
3.2 Web 界面：Open WebUI
Open WebUI 是目前社区最活跃的开源大模型 Web 界面之一，主要特点：
- 界面体验接近 ChatGPT：多轮对话、Markdown 渲染、代码高亮、历史记录管理。
- 自带 RAG 知识库功能：不用写一行代码，就能在界面上上传文档、构建知识库。
- 支持多用户：可以给团队部署，每个人有独立账号和空间。
- 可扩展：支持接入多种模型后端（Ollama、OpenAI 兼容 API 等）。
3.3 模型选择：Qwen2.5 / DeepSeek-R1 等
如果你主要写中文、需求偏通用对话和代码，推荐：
- Qwen2.5 系列：中文能力强，指令跟随稳定，社区使用非常广泛。
- DeepSeek-R1 系列：推理和代码能力突出，适合'程序员向'场景。
具体选多大规模，要看你的硬件配置（后面会详细讲）。
四、硬件与系统环境：你的电脑够不够格？
4.1 硬件建议（以消费级 PC 为例）
| 场景 | 推荐配置 | 说明 |
|---|---|---|
| 入门体验 | 16GB 内存 + RTX 3060/4060（8GB+ 显存） | 可以跑 7B～13B 的 INT4 量化模型 |
| 舒服使用 | 32GB 内存 + RTX 4070/4090（12GB+ 显存） | 可以跑 14B～32B 量化模型，并发更稳 |
| Mac 用户 | M1/M2/M3，16GB+ 统一内存 | Apple Silicon 对推理优化很好，体验接近中档 GPU |
一些经验值：7B 参数 INT4 模型大致需要 4～6GB 显存，13B 需要 8～10GB，32B 需要 16GB+ 显存。
4.2 系统与软件环境
- 操作系统：Windows 10/11、macOS、主流 Linux 发行版都可以。
- Docker（推荐）：
- Windows/macOS 安装 Docker Desktop。
- Linux 安装 Docker Engine + Docker Compose。
- Ollama：从官网下载安装即可。
- （可选）NVIDIA 驱动 + CUDA：如果你有 N 卡，想用 GPU 加速，需要安装对应驱动和 CUDA 工具包（Ollama 会自动检测）。
五、部署路线图：我们会分几步走？
为了让你有个整体预期，我们整个项目的路线大概是这样的：
- 环境准备：安装 Ollama、Docker，验证基础环境。
- 本地模型跑通：通过 Ollama 拉取并运行一个对话模型（如 Qwen2.5:7b-instruct）。
- WebUI 部署：用 Docker 一键启动 Open WebUI，连接 Ollama。
- 基础对话体验：在浏览器里像用 ChatGPT 一样和本地模型聊天。
- 知识库搭建（RAG）：上传文档，构建私有知识库，让模型'记住'你的资料。
- （可选）Python 调用 & 自动化：用代码调用本地模型，接入自己的工具链。
六、第一步：安装 Ollama 并跑通本地模型
6.1 安装 Ollama
以 Windows 为例（macOS / Linux 同理）：
- 打开官网：https://ollama.com/download。
- 下载 Windows 安装包，双击安装，一路'下一步'即可。
安装完成后，打开命令行，执行：
ollama -v
如果看到类似 ollama version is 0.5.4 的输出，就说明安装成功。
6.2 拉取并运行一个对话模型
以 Qwen2.5 为例：
# 拉取模型
ollama pull qwen2.5:7b-instruct
# 运行模型（进入交互式对话）
ollama run qwen2.5:7b-instruct
第一次运行时，Ollama 会自动下载模型文件（约 4～5GB），等待下载完成即可。在交互界面里，你可以直接输入问题，测试模型是否正常工作。
七、第二步：用 Docker 部署 Open WebUI
7.1 安装 Docker
如果你已经安装 Docker Desktop，可以跳过这一步。
- Windows / macOS：到 Docker 官网下载 Docker Desktop 并安装。
- Linux：按官方文档安装 Docker Engine 和 Docker Compose。
验证安装：
docker -v
docker compose version
7.2 启动 Open WebUI 容器
一个简单的启动命令示例（假设 Ollama 在本机 11434 端口）：
docker run -d \
-p 3000:8080 \
-e OLLAMA_BASE_URL=http://host.docker.internal:11434 \
-v open-webui:/app/backend/data \
--name open-webui \
--restart always \
ghcr.io/open-webui/open-webui:main
参数说明：
-p 3000:8080：把容器内的 8080 端口映射到宿主机 3000。-e OLLAMA_BASE_URL：告诉 Open WebUI，Ollama 服务在哪里。-v open-webui:/app/backend/data：持久化聊天记录和配置。--restart always：容器异常退出时会自动重启。
启动后，打开浏览器访问：http://localhost:3000，就能看到 Open WebUI 的登录界面。
八、第三步：在 WebUI 里连接本地模型
- 注册 / 登录 Open WebUI（账号只存在本地，不会上传到云端）。
- 在界面中选择模型，你应该能看到类似
qwen2.5:7b-instruct的选项。 - 如果看不到模型，可以在 Open WebUI 的设置里，检查 Ollama 连接地址是否正确，并点击'验证连接'。
接下来，就可以像用 ChatGPT 一样，和本地模型对话了。
九、第四步：搭建本地知识库（RAG）
9.1 RAG 是什么，为什么需要它？
简单来说，RAG（Retrieval-Augmented Generation）= 检索 + 增强 + 生成：
- 检索：根据用户问题，从知识库中找出最相关的文档片段。
- 增强：把检索到的内容塞进提示词，一起丢给模型。
- 生成：模型基于这些上下文生成回答。
RAG 的好处是：
- 不需要重新训练模型，就能让模型'知道'你的私有资料。
- 可以随时更新知识库，比微调灵活得多。
9.2 准备嵌入模型
为了做向量检索，我们需要一个嵌入模型，比如：
# 拉取一个常用的嵌入模型
ollama pull nomic-embed-text
# 或
ollama pull bge-m3
Open WebUI 可以自动使用这些嵌入模型来构建知识库。
9.3 在 Open WebUI 里创建知识库
不同版本的界面略有差异，但大致流程类似：
- 进入'知识库 / Documents'管理页面。
- 新建一个知识库，比如叫'我的技术笔记'。
- 上传本地文档：PDF、Word、Markdown、TXT 等。
- 系统会自动调用嵌入模型，对文档进行分片和向量化。
- 在对话时，把这个知识库挂载到当前会话，模型就会优先从这些文档里找答案。
十、第五步：用 Python 调用本地模型（可选）
如果你想把本地模型集成到自己的脚本或工具里，可以通过 Ollama 的 API 来调用。
10.1 简单示例：对话
import requests
OLLAMA_BASE = "http://localhost:11434"
def chat(prompt: str, model: str = "qwen2.5:7b-instruct"):
r = requests.post(
f"{OLLAMA_BASE}/api/chat",
json={
"model": model,
"messages": [{"role": "user", "content": prompt}],
"stream": False,
},
)
r.raise_for_status()
return r.json()["message"]["content"]
print(chat("用大白话解释一下什么是 RAG？"))
10.2 简单示例：文本嵌入
def embed(text: str, model: str = "nomic-embed-text"):
r = requests.post(
f"{OLLAMA_BASE}/api/embeddings",
json={"model": model, "prompt": text},
)
r.raise_for_status()
return r.json()["embedding"]
vec = embed("这是一段需要向量化的文本")
print(len(vec), vec[:5])
有了这些，你就可以自己写脚本做批量文档处理、自动总结、智能检索等。
十一、进阶方向：这个项目还能怎么玩？
当你把基础对话 + 知识库跑通之后，可以考虑这些进阶玩法：
- 多模型管理：同时跑一个'通用对话模型' + 一个'代码专用模型'（如 Qwen2.5-Coder），在 WebUI 里按需切换。
- 更专业的 RAG 工具：尝试 RagFlow、Dify 等更复杂的 RAG 平台，支持更精细的文档解析和多路召回。
- 接入 IDE / 浏览器插件：把本地模型做成一个'智能助手'，在编辑器里自动补全、在浏览器里总结网页。
- 团队共享部署：把整套部署在公司内网服务器上，给团队统一用，实现'企业 FAQ 助手'。
十二、小结
这篇文章主要做了三件事：
- 讲清楚了为什么要在本地搭一个 AI 助手，以及它能解决哪些痛点。
- 给出了技术选型与整体架构，重点推荐了 Ollama + Open WebUI 这套组合。
- 梳理了从环境准备、模型部署、WebUI 搭建到知识库构建的完整路线图。
接下来的文章，我会分别针对 Windows / macOS / Linux 不同系统的踩坑点、RAG 效果调优（分块策略、检索参数等）、Python 自动化脚本实战做更详细的拆解。