企业官网建设流程全解析

self-hosted-ai-starter-kit 部署教程：10 分钟跑通本地 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

self-hosted-ai-starter-kit 部署并不复杂：这是一个由 n8n 出品的 Docker Compose 模板，一条命令即可拉起 n8n、Ollama、Qdrant 和 PostgreSQL，数据全部留在你的机器上。按本文步骤操作，你最终会在浏览器里和跑在本地模型对话，得到一个能直接改、能扩展的自托管 AI 环境。

它适合谁、什么时候需要它

• 处理敏感文档的人：公司 PDF、财务资料不想传给云端 API，想用本地模型做摘要和分析，又不想从零搭环境。
• 低代码自动化使用者：想在 n8n 的 400 多种集成里接入本地大模型，做 AI Agent、文档问答这类自动化，而不是手写代码。
• 本地部署爱好者：想完整体验"Ollama 跑模型 + Qdrant 存向量 + n8n 编排工作流"这条链路，做概念验证（POC）。

需要说明：项目定位是帮你快速上手，组件组合对原型验证够用，并非为生产环境做深度优化。正式上生产前请自行评估加固。

部署前 3 分钟检查清单

• Docker 与 Docker Compose 已安装（Compose 需支持--profile参数）。
• 内存建议至少 8GB，16GB 以上体验更好（模型越大越吃内存）。
• 磁盘预留 20GB 以上：要拉取多个镜像，首次还会自动下载 Llama 3.2 模型。
• 首次启动需要稳定网络，镜像和模型都要从外网下载。
• 端口空闲：5678（n8n）、11434（Ollama）、6333（Qdrant）。
• 仓库里已提供 .env.example，稍后要复制成.env并改掉默认口令。

最短路径：跑通第一个可用版本

克隆仓库并生成环境配置文件，共三条命令：

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

打开生成的.env，把POSTGRES_PASSWORD、N8N_ENCRYPTION_KEY、N8N_USER_MANAGEMENT_JWT_SECRET改成自己的值，模板里是占位默认值。

启动整套服务。--profile cpu表示用 CPU 跑 Ollama，无 GPU 用户选它即可：

docker compose --profile cpu up

首次启动会依次拉取 n8n、PostgreSQL、Qdrant、Ollama 等镜像，随后自动下载 llama3.2 模型，这一步耗时最长，耐心等即可。

跑通后如何确认它真的可用

1. 浏览器打开 http://localhost:5678/ ，按提示完成 n8n 一次性初始化（注册管理员账号）。
2. 打开预置的示例工作流：http://localhost:5678/workflow/srOnR8PAY3u4RSwb
3. 点画布下方的Chat按钮，向模型发一句话。收到本地模型的回复，说明链路全部打通。
4. 若 Chat 没有响应，多半是模型还在下载，执行下面命令观察进度：

docker compose logs ollama-pull-llama-cpu

下载完成后再次点击 Chat 即可，无需重启容器。

关键配置与目录入口

想改什么，去哪里找：

• docker-compose.yml：全部服务、端口、profile（cpu / gpu-nvidia / gpu-amd）都在这里定义。
• .env.example：数据库口令、n8n 密钥、OLLAMA_HOST等环境变量模板，复制成.env后按需修改。
• n8n/demo-data/workflows/ 与 n8n/demo-data/credentials/：示例工作流和凭证，首次启动时 n8n 会自动导入，这就是你打开 Chat 就能用的原因。
• README.md：官方完整说明，包括 GPU 配置和 Mac 用户方案。

另外，项目会在 n8n 容器里挂载一个共享目录（容器内路径/data/shared），让工作流能读取你磁盘上的文件，做文档类工作流时会用到。

按硬件/场景做轻量调优

• 有 NVIDIA 显卡：把启动命令里的 profile 换成--profile gpu-nvidia，推理速度明显提升；Linux 上的 AMD 显卡用户用--profile gpu-amd。
• 只有 CPU、内存偏低：保持默认 llama3.2 即可起步；追求速度时，在 n8n 的 Ollama 节点里换成更小的模型。
• Mac（M 系列芯片）：Docker 无法直接调用 GPU，推荐在 Mac 上单独装 Ollama，然后用普通docker compose up启动其余服务，并在.env中把OLLAMA_HOST设为host.docker.internal:11434，细节见 README。
• 网络慢：不用反复重启，首次拉镜像和下模型本来就慢，看日志确认进度没卡死即可。

卡住时按顺序排查

1. 看日志：docker compose logs <服务名>，优先看n8n和ollama两个服务。
2. 查端口：确认 5678、11434、6333 没被本机其他程序占用。
3. 查资源：内存不足时容器可能反复重启，给 Docker 分配足够内存。
4. 查拉取：首次启动卡在拉镜像或下模型属正常现象，区分"慢"和"断"。
5. 核对 .env：确认已从.env.example复制出.env且口令、密钥已修改，compose 会强制要求该文件存在。

下一步：扩展、更新或接入工作流

• 换模型：在 n8n 里打开工作流，把 Ollama 节点的模型改成你喜欢的任意本地模型；向量检索用 Qdrant 节点，整条链路保持本地。
• 导入自己的工作流：在 n8n 界面里导入 JSON 即可；示例数据只会在首次启动、库里还没有工作流时自动导入，之后以界面操作为准。
• 更新到新版本：拉新代码后重建容器：

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

• 继续学习：README 末尾列了 n8n 官方的 AI Agent 教程和概念文章，遇到具体问题可以先翻一遍。

打开浏览器访问 localhost:5678，把你的第一条 AI 工作流跑起来。

【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