企业官网建设流程全解析

self-hosted-ai-starter-kit 部署教程：2 条命令搭好本地 AI 工作流环境

【免费下载链接】self-hosted-ai-starter-kitThe Self-hosted AI Starter Kit is an open-source template that quickly sets up a local AI environment. Curated by n8n, it provides essential tools for creating secure, self-hosted AI workflows.项目地址: https://gitcode.com/GitHub_Trending/se/self-hosted-ai-starter-kit

你是不是也遇到过这种场景：想用 AI 处理公司文档，却得把数据传到别人的云端 API，心里不踏实。self-hosted-ai-starter-kit 就是为解决这个问题存在的——一个由 n8n 团队整理的开源 Docker 模板，在你自己的电脑上几分钟内拉起一套完整的本地 AI 环境。

它是什么 · 一句话看懂

一句话：它是一套"开机即用"的自托管 AI 全家桶，你只负责敲命令，剩下的它都装好了。

• 一条命令启动 4 个容器：n8n（低代码工作流平台，400+ 集成）、Ollama（跑本地大模型的引擎）、Qdrant（向量数据库）、PostgreSQL（存数据）
• 数据全程留在本机，不经过任何云端，隐私安全自己说了算
• 预置了 Demo 工作流和配套凭证，装完就能对话，不用自己配
• 定位是"起步模板"：适合原型验证和学习，官方明确说它还没针对生产环境做深度优化

先跑起来 · 几分钟上手 🚀

前置条件一句话：装好 Docker 和 Docker Compose，内存 8GB 起步（推荐 16GB），留 20GB 磁盘空间拉镜像。

下面这一步会克隆项目并生成配置文件，记得把.env里的默认密码和密码密钥改掉：

git clone https://gitcode.com/GitHub_Trending/se/self-hosted-ai-starter-kit cd self-hosted-ai-starter-kit cp .env.example .env

然后执行这条命令，CPU 模式一键拉起全部服务（有 NVIDIA / AMD 显卡的换成--profile gpu-nvidia或--profile gpu-amd）：

docker compose --profile cpu up

第一次跑要拉取 n8n、Ollama、PostgreSQL、Qdrant 四个镜像，按网络快慢大概 3~10 分钟。启动后按这个顺序走：

1. 浏览器打开http://localhost:5678/，按提示完成 n8n 的初始化注册（只做一次）
2. 打开预置的 Demo 工作流：http://localhost:5678/workflow/srOnR8PAY3u4RSwb
3. 点画布底部的Chat按钮，直接和本地 Llama 3.2 对话

第一次点 Chat 可能要等 Ollama 把 Llama 3.2（3B，约 2GB）下载完，别着急，看 Docker 控制台日志里的下载进度就行。

跑通之后怎么玩 · 进阶玩法

换个更大的本地模型。Ollama 支持几十种开源模型，在 Ollama 容器里执行ollama pull qwen2.5:7b之类的命令拉新模型，然后回到 Demo 工作流，把 "Ollama Chat Model" 节点里的 model 改一下即可。CPU 跑推理的话，建议选 7B 及以下参数量，8GB 内存的机器用 3B 最稳。

给 AI 接上你的私有文档（RAG）。这正是 Qdrant 存在的意义：把工作流里的 Qdrant 向量存储节点接进链路，把 PDF、Markdown 灌进向量库，AI 就能"引用你公司文档回答"。注意本地文件要从./shared目录读写——它被挂载进 n8n 容器，在节点里对应的路径是/data/shared。

发挥 n8n 的集成能力。本地模型只是大脑，400+ 集成才是手脚：接一个 Slack 触发器，AI 就能在群里自动值班；接邮件节点，就是私人邮件摘要机器人。AI Agent、Text Classifier、Information Extractor 这些高级节点开箱即用，只要语言模型节点用 Ollama、向量库用 Qdrant，整条链路就都留在本地。

更新镜像拿新版本。官方升级流程是拉新镜像后重建容器：

git pull docker compose --profile cpu pull docker compose create && docker compose --profile cpu up

调资源。编辑 docker-compose.yml 给 Ollama 服务加deploy.resources限制，防止它吃满内存；模型越大越建议给 Docker 本身预留更多内存。

原理拆解 · 架构怎么看

看懂 docker-compose.yml，这个项目的架构其实一眼就透：

几个值得注意的设计：

• n8n-import一次性容器：启动时检测库里有没有工作流，没有就自动把 n8n/demo-data/workflows/ 里的 Demo 和 n8n/demo-data/credentials/ 里的 Ollama、Qdrant 两条凭证导入——这就是你"装完就能聊"的原因
• profiles 机制：同一个 Ollama 服务定义出三份变体——cpu、gpu-nvidia（申请 1 块 NVIDIA 卡）、gpu-amd（rocm 镜像 +/dev/kfd设备），启动参数决定用哪份
• .env驱动密钥：PostgreSQL 账号密码、N8N_ENCRYPTION_KEY、JWT 密钥全部来自 .env.example 模板，OLLAMA_HOST默认指向容器内的ollama:11434
• ./shared共享目录：宿主机与 n8n 容器之间的文件通道，默认建在项目同级目录

高频卡点 · 遇到问题

服务起不来、端口报错？先查日志定位是哪个容器：docker compose logs ollama（服务名换成 n8n / qdrant / postgres）。最高频的是 5678、11434、6333 端口被占用，改 docker-compose.yml 里的映射端口即可。

第一次 Chat 卡住不动？99% 是在等 Llama 3.2 下载，看 Ollama 容器的日志确认进度；磁盘空间不足 20GB 时也会卡在这一步。

Mac 用户想用本地 GPU？Apple Silicon 的 GPU 无法直接暴露给 Docker，官方给的路子是：Mac 上原生装 Ollama，在.env里设OLLAMA_HOST=host.docker.internal:11434，再把 n8n 凭证页里 "Local Ollama service" 的 base URL 改成http://host.docker.internal:11434/。

工作流读不到本地文件？节点里别写宿主机路径，一律用/data/shared/xxx，那是./shared在容器内的影子。

想推倒重来？数据都存在命名卷里，删除卷再up一次就是全新环境（Demo 工作流也会重新导入）。

装好了就别停在 Demo 上——打开那个 Llama 工作流，把模型节点换成你自己ollama pull的新模型，再丢一份 PDF 进./shared，你的第一个私有 AI 助手今天就能上岗。

【免费下载链接】self-hosted-ai-starter-kitThe Self-hosted AI Starter Kit is an open-source template that quickly sets up a local AI environment. Curated by n8n, it provides essential tools for creating secure, self-hosted AI workflows.项目地址: https://gitcode.com/GitHub_Trending/se/self-hosted-ai-starter-kit