企业官网建设流程全解析

这两天在折腾自托管项目管理工具的时候，发现了一个新面孔：TomiHub。一个开源、可以完全部署在自己服务器上的项目管理平台，整体体验做得相当完整。最吸引我的是它内置的 AI Brain 组件——最近刚开放了独立下载，可以直接跑在本地，不需要把数据丢给任何第三方服务。这篇文章我会从项目背景、技术架构讲到完整部署流程，再到实际落地使用中的各种坑，希望能给同样在找自托管方案的朋友一个参考。

1. 为什么自托管项目管理平台值得再折腾一次

1.1 市面自托管方案的通病

先说一个观察。市面上的自托管项目管理类工具其实不少，但往往存在两个极端：一种是简单到只提供看板和待办清单，功能薄弱得像个玩具；另一种是功能齐全但部署起来极其痛苦，依赖一堆中间件，配置个邮件通知都能折腾半天，更别提后续的升级维护了。

我前前后后试过好几个方案，要么是中文支持差，要么是移动端体验几乎为零，要么是权限模型过于简单——部门权限和项目权限混在一起，根本没法在公司里用。很多人在自己的服务器上搭了个项目管理工具，用两天就吃灰了，核心原因就是这些工具没有真正贴合一个团队的协作流。

1.2 TomiHub 解决的痛点

TomiHub 最开始进入我视线，是因为它的定位很明确：以“高效协作”而非“功能堆砌”为核心。它没有一上来就给你塞几十个模块，而是把项目、任务、事项、里程碑、文档、代码仓库集成这些高频场景做扎实，保证你拿到手就能用。

同时它保留了自托管的最大优势——数据主权。所有东西都在你自己的服务器上，局域网内访问也足够快，不会出现公网服务那种“高峰期拖个页面都要卡三秒”的情况。

1.3 什么样的人适合用它

我的判断是，TomiHub 适合这几类人：

• 有自己服务器或 NAS，喜欢把数据攥在自己手里的技术型个人用户。
• 中小型团队或工作室，不想每个月按人头付费买商业 SaaS 订阅，对权限和数据存放位置有要求的。
• 平时会同时管理多个项目、需要把任务和代码提交串起来看的开发者。
• 对 AI 辅助功能有兴趣，同时又不放心把项目数据交给云端 AI 服务的用户。

如果你属于以上任何一类，TomiHub 这个项目就值得你花半小时部署起来试一试。尤其是 AI Brain 的加入，让它在同类里一下子有了辨识度。

2. TomiHub 整体架构与 AI Brain 的工作原理

2.1 技术栈与模块划分

从仓库结构和部署方式来看，TomiHub 主服务采用了前后端分离的思路，后端提供 RESTful API，前端是独立的单页应用。数据库层支持 PostgreSQL 和 SQLite 两种模式——个人单机部署可以直接用 SQLite 零配置跑起来，正式团队使用建议上 PostgreSQL。整体打包成了一个标准 Docker 镜像，通过 Docker Compose 就能拉起全部服务。

它的模块划分很清楚：

• 项目管理：项目、任务、事项、里程碑、标签和自定义字段。
• 团队管理：用户、角色、权限、组织架构。
• 文档协作：带 Markdown 支持的 Wiki 模块。
• 代码集成：和 GitLab、GitHub、Gitea 之类的仓库做 Webhook 联动。
• 系统管理：通过插件机制开发的扩展模块，AI Brain 就是其中一种。

这种模块化的好处在于，你在不了解全部功能的情况下也能快速上手，用到哪个模块再深入了解哪个模块，学习门槛被压得很低。

2.2 AI Brain 是怎么“长”出来的

AI Brain 与其说是一个功能，不如说是一个可插拔的 AI 服务中间件。我看到项目文档里将它定义为“项目智能辅助层”——它不在 TomiHub 主进程里跑，而是作为独立服务运行，通过 API 和主服务通信。

这样做有几个明显的好处：

1. 主服务挂了不会影响 AI Brain，反过来 AI Brain 挂了也不影响正常项目管理。
2. AI Brain 可以单独部署在高性能机器上，对主服务器的资源占用影响小。
3. 它支持更换不同的底层模型，你可以用云端大模型 API，也可以用本地模型或 Ollama 之类的中转方案，数据敏感程度不同选择就不同。

AI Brain 开放独立下载这件事，我觉得是这波更新里最重要的变化。以前它作为内置功能只能随着主服务一起用，现在拆出来了，意味着你可以在现有部署上随时单独升级 AI 组件，甚至接入不同的模型服务。

2.3 数据怎么流转：从任务描述到智能建议

我来用一个实际场景说明 AI Brain 的工作过程。比如你在 TomiHub 里建了一个任务：“优化登录页加载速度”，然后在任务详情页点了一下“AI 助手”，AI Brain 会做这样几件事：

• 它将任务标题、描述、关联的代码仓库提交记录、该任务下的评论作为上下文聚合起来。
• 它判断该任务的类型——如果是性能优化类任务，会追加相关的排查思路；如果是缺陷类任务，会尝试建议检查最近变更的代码。
• 最终生成的是一组结构化的建议文本，包含可能的原因、可执行的下一步操作、以及建议指派人。

聚合上下文这一步是关键，和你在 ChatGPT 里手打一段话问它完全不一样。它读的是你项目里的真实数据，所以给出的建议往往更贴合实际情况。数据流向是：TomiHub 数据库 + 代码仓库 Webhook 事件 → AI Brain 上下文组装器 → 推理引擎 → 生成建议 → 回写到任务对话中。整个过程在项目内闭环，没有外部数据泄露路径。

3. 实操：从零部署 TomiHub 并启用 AI Brain

3.1 环境准备清单

先说下我自己的环境，方便你做个对比参考：

• 服务器：一台腾讯云轻量服务器，2C4G，Ubuntu 22.04，系统盘 80GB。
• 已安装：Docker 24.0.x 以及 Docker Compose v2 插件。
• 域名解析：使用了一个自用的二级域名，同时开好了 80/443 端口。

安装 Docker 和 Compose 的过程这里就不赘述了， 如果机器比较新， 可以参考系统文档直接装：

curl -fsSL https://get.docker.com | sh systemctl enable --now docker docker compose version

看到Docker Compose version v2.x.x的输出就说明环境准备好了。特别提醒一句：建议尽早确认你的服务器有没有防火墙策略，很多云厂商会在安全组里默认只放行 22 端口，后面部署完 Web 服务发现访问不了，检查防火墙往往花的时间比部署还久。

3.2 通过 Docker Compose 拉起主服务

TomiHub 官方提供了一个docker-compose.yml模板，我删减和调整之后，实际用到的配置大概是这样：

version: "3.8" services: tomihub: image: tomihub/tomihub:latest container_name: tomihub restart: unless-stopped ports: - "8080:8080" volumes: - ./data:/app/data - ./config:/app/config environment: - TOMIHUB_DB_TYPE=sqlite - TOMIHUB_PLUGIN_ENABLED=aibrain depends_on: - aibrain networks: - tomihub-net aibrain: image: tomihub/ai-brain:latest container_name: tomihub-aibrain restart: unless-stopped ports: - "18080:18080" volumes: - ./models:/app/models - ./aibrain-config:/app/config environment: - AI_BRAIN_MODEL_PATH=/app/models - AI_BRAIN_PROVIDER=local networks: - tomihub-net volumes: {} networks: tomihub-net: driver: bridge

这里我把数据库类型设为了 SQLite，先用最小配置跑起来，等确认稳定了再考虑迁 PostgreSQL。TOMIHUB_PLUGIN_ENABLED=aibrain这个环境变量的作用是让主服务启动时加载 AI 插件，如果你暂时不想用 AI 功能，去掉这一项即可。

执行docker compose up -d后，等待镜像拉取，然后执行docker compose ps查看状态，看到两个容器都是 running 就完成了主服务启动。

3.3 AI Brain 独立下载与模型配置

AI Brain 现在的下载方式有两种：一种是像上面那样直接拉 Docker 镜像，另一种是下载编译好的二进制包，在物理机上以 systemd 方式跑。二进制包在侧适合非 Docker 环境，但部署麻烦一点，需要自己配置启动脚本。

我用的是 Docker 方式。这里注意它的配置文件aibrain-config/config.yaml有几个关键项：

server: host: "0.0.0.0" port: 18080 inference: provider: "local" # local / openai / ollama model_path: "/app/models" # provider为local时的模型目录 context_window: 8192 max_tokens: 2048 temperature: 0.3 embedding: provider: "local" model_path: "/app/models/embedding"

temperature: 0.3是我特别调低的设置——项目管理场景需要的是确定性和可执行建议，不需要太强的发散性。如果任务描述里就写了三句话，你让 AI 高发散地生成几百字建议，反而会给使用的人增加负担。低温度参数会让输出更集中更准。

打开 AI Brain 的下载页就知道，官方推荐在 Docker 环境下跑对应平台镜像。我这一次因为是在 x86_64 Linux 服务器上，所以直接使用官方打包好的镜像。如果你想在本地 macOS 上通过二进制包运行，也可以直接下载对应平台的编译产物，官方文档里给出了每种架构的支持说明。

模型文件方面，AI Brain 支持本地推理的话，需要下载转换后的 GGUF 格式模型，放到挂载的models目录里。我目前用的是 7B 量化版的通用模型，在 2C4G 的机器上跑得有点吃力，后面换成了 CPU 友好的轻量模型，速度和效果平衡很多。

3.4 初始化 TomiHub 与关联 AI 服务

主服务启动后，打开http://你的服务器IP:8080，首次访问会进入初始化向导，大致几步：

• 创建管理员账号（这一步需要记牢邮箱和密码）。
• 配置站点名称，比如我填的是“Team Space”。
• 选择启用模块，这里默认全选，包括 AI Brain。
• 填入 AI Brain 服务地址，推荐写 Docker 内网地址http://aibrain:18080。如果你用的是 bridge 网络，直接写服务名就行，这样就不用额外暴露到宿主机端口，也省得防火墙安全策略的坑。
• 点击测试连接，正常情况下会显示“AI Brain 连接成功”。

如果你不想用向导，也可以在初始化后进入“管理后台 → 插件中心 → AI Brain”里手动配置服务地址。两种方式效果一样，看你手速。

到这里，平台就基本可用了。登录进去能看到一个清爽的仪表盘，左侧是项目、任务、里程碑、Wiki、团队等模块。我第一反应是界面撑得比较满，但功能上没有明显的难找问题，信息层级算是同类里做得不错的。

4. 日常使用：把 TomiHub 用成真正的生产力工具

4.1 项目看板与任务流转：真正好用的核心在任务状态机上

TomiHub 的任务模型不是简单的一列卡片。它可以针对每类任务配置不同的状态流转规则，比如开发任务的状态是“待开始 → 进行中 → 待评审 → 已完成”，而普通运营任务也许是“待处理 → 处理中 → 已完成 → 已归档”。

这意味着什么？意味着看板上的列不是你想拖就拖的，而是必须符合你配置的规则。别觉得这是限制，它反过来保证了团队里每个人的操作口径一致，不会出现张三的任务状态拖着不合规、李四那边已经乱套的情况。而且所有状态变更都会落入审计记录，谁在什么时间把任务从“进行中”拖回了“待开始”，一查便知，这点对跨部门协作项目特别重要。

我自己的习惯是：项目启动第一天就把里程碑定好，然后把里程碑拆成一周维度的迭代，把任务挂到对应迭代里，再针对每个任务设置优先级和预估工时。TomiHub 在迭代维度支持进度自动汇总，每周五看进度条心里就有数了。

4.2 用 AI Brain 做任务拆解和风险预警

启用 AI Brain 后，最常被用到的场景就是“自动拆解子任务”。以前写技术方案，最烦的就是大需求拆小任务——拆细了浪费时间，拆粗了执行时又漏项。现在可以直接在任务详情页选中一个 Epic 级别的大任务，点“AI 拆解”，AI Brain 会根据任务描述和关联文档生成一份子任务列表。

举个例子，前几天我建了一个“外部账单自动对账功能”的任务，向 AI Brain 发起拆解请求，它给出的建议大概是：

• 设计数据库表结构，保存账单快照和对账结果。
• 接入支付回调，补全账单状态同步。
• 实现每日定时任务，拉取外部账单并与本地账单比对。
• 对账异常时生成差异记录并推送站内通知。
• 提供对账结果页面，支持按时间范围与状态筛选。

你看，生成结果虽然不能直接拿来用，但作为检查清单和估算工时的起点，帮助很大。一般我在拆出来的基础上增删几项就能转化为正式子任务，比从零开始敲快很多。

另一个我比较关注的能力是“风险预警”——如果你在一个迭代里堆了过多高复杂度任务，AI Brain 会根据任务数量、预估工时和成员负载综合判断，在迭代页面上给出“这个迭代积压风险较高，建议拆分或调整交付节奏”之类的提示。实测下来提醒还挺准的，有几次我确实是贪了工作量，最后交付周期拉长，它不仅发现，还在站内消息里给了重新排期建议。

4.3 与代码仓库联动：Webhook 连接 GitLab

我把 TomiHub 和一个 GitLab 实例做了联动。具体是在 GitLab 项目里配置 Webhook 指向 TomiHub 的 Webhook 接收端点，并在 TomiHub 里配置项目仓库地址。

效果就是：每次代码提交，如果提交信息里包含了任务编号（比如#TASK-123或fix #TASK-123），提交记录会自动关联到对应任务下。点开任务就能看到“这个任务关联的 commit”，Review 的时候不用再跳到 GitLab 里翻记录，上下文直接在任务页延续。

如果只想做到“提交关联任务”这层，不需要在 GitLab 里装额外插件，配置 Webhook 就行。整个过程耗时几分钟，但是对开发团队的使用体验提升是非常大的。

再进一步，还可以用 Webhook 配合自动化规则：比如当任务下的全部关联 commit 都进入主干分支后，TomiHub 会自动把任务状态改为“待评审”。这个自动化我并不建议所有团队都开，因为分支策略不同，触发条件差异很大，但如果你正好用的是主干开发 + 短分支流，那这就是一个非常顺手的流程。

4.4 数据备份与恢复

自托管应用一定要把备份方案想好，TomiHub 的数据核心是它自己的数据库和上传文件。我目前的备份策略是：

• 每天凌晨 3:00 通过 crontab 执行docker compose exec内的数据库导出命令，把 SQLite 数据库文件复制到备份目录。
• 同步备份挂载目录里的上传文件。
• 每 7 天把备份目录同步到另一台 NAS 的指定共享位置。

如果你用的是 PostgreSQL，备份更简单，直接pg_dump输出 SQL 文件即可。恢复的时候，新起容器、挂载原数据目录、导入数据库，一条链路就完成了。我建议至少在第一次部署完成后完整演练一次数据恢复，别等到出了问题才边查文档边救，那很折磨人。

5. 常见问题与排查技巧实录

5.1 部署阶段问题速查表

部署过程中我踩了不少坑，这里整理了一张速查表， 可能遇到的问题都在里面：

部署阶段最容易忽略的是权限问题。我第一回就是没有给/app/data正确授权，容器跑起来后握手失败，报错了很久才定位到是挂载目录没有写权限。建议在启动前先把./data和./config的目录权限设为750或直接交给容器用户。

5.2 AI Brain 回答质量不稳的调优技巧

AI Brain 不会从第一天起就输出高质量结果，需要一点点调优。我实际摸索下来有几个变量影响最大：

• 任务描述的详细程度。你把上下文写得越具体，它输出的建议就越贴合。原来写“登录页优化”四个字的任务，AI Brain 大概率给出的是泛泛的“优化图片压缩、合并请求、启用 CDN 缓存”这类通用建议；但如果你在描述里补充了“当前首屏白屏约 2.5 秒，常见于弱网环境，后端响应体较大”，那它的建议就会落到压缩接口数据、针对弱网做首屏分片加载等更具体的方案。
• temperature参数。我建议项目管理场景统一设置在0.2~0.4，如果你发现它输出过于发散，就调得更低。这个参数不决定模型能力，但决定了你在靠谱和自由发挥之间的取舍。
• 有没有让 AI Brain 读取你项目的 Wiki 文档。它配置了文档索引之后，回答任务时会把相关文档里的技术规范纳入上下文，这个效果是质的飞跃。比如你在 Wiki 里写了团队的代码提交规范，AI Brain 生成代码审查意见时就会自动匹配规范里的禁用写法，而不是只用模型常识。

5.3 长期维护的注意事项

自托管软件最大的隐性成本是维护。坚持用了两个月 TomiHub，我认为维护方面值得关注的几点是：

• 主服务镜像更新频率不低，如果追求稳定性，不必每次更新都追，看好 Changelog 再升级。
• AI Brain 模型文件尽量随官方模型仓库更新，但也要预留磁盘空间。
• 数据库文件会随着任务、评论、审计记录增多逐渐膨胀，建议每个月清理一次已经归档的超期任务。
• 如果你挂了域名并配了 HTTPS，证书快到期前 30 天 caddy 或 nginx 会自动续期，但如果你用的是云厂商的免费证书，记得看邮件提示手动续期。

一句话总结维护心得：周末花十分钟做一次备份检查、日志看一眼、版本确认，比出了问题再处理省心得多。

6. 一些扩展玩法和后续思考

6.1 让 AI Brain 读懂你团队的知识库

TomiHub 的 Wiki 模块很容易被当成摆设，但如果你恰好组织过团队内部文档沉淀，那 AI Brain 可以把它变成检索增强的底座。它会在文档变更后自动重建索引，之后你在问任务相关的“我们之前有没有兼容性要求”之类问题时，它能直接引用 Wiki 里的原文段落。

这个能力在团队人员流动大、知识文档堆成山的情况下非常实用。新人进来问问题，不用再让老人花时间翻文档，直接把问题丢给助手——答案是带着出处和建议置信度的。如果团队里能用起来，Wiki 就不再是“写完没人看”的死库，而成了一个可检索、可利用的活资产。

6.2 通过 API 和 Webhook 做自动化

TomiHub 对外提供了比较完整的 REST API，这意味着你可以把项目管理平台嵌进你的自动化流程。比如我在服务器上跑了一个定时脚本，每天上午 9:00 读取 TomiHub 里今天到期且未完成的任务列表，然后通过企业微信机器人推送到工作群。这个功能官方界面里没有直接提供，但是通过 API 二三十行脚本就能实现。

脚本的大致逻辑是：

import requests base_url = "https://tomihub.example.com/api" token = "your_api_token" headers = {"Authorization": f"Bearer {token}"} tasks_resp = requests.get(f"{base_url}/tasks", headers=headers, params={"due_date": "today", "status": "in_progress"}) for task in tasks_resp.json()["items"]: send_webhook_notification(f"[到期提醒] {task['title']} 今天到期，当前状态：{task['status']}")

类似的玩法还有：在某个里程碑完成时自动生成周报内容，在新任务指派给你时自动建一个待办卡片。把重复的劳动自动化掉，工具才算真正反哺了工作效率。

6.3 自托管的心态问题

最后说点工具之外的事。自托管很多时候不是因为“免费”或者“开源”这两个词本身，而是“掌控感”——数据在你自己手里，系统按你的方式运作，没有厂商锁定的焦虑。但掌控感同时也意味着责任，备份、升级、安全都是你自己的事。

TomiHub 这两件事平衡得不错：上手门槛没有高到让普通人劝退，需要投入理解的成本又刚好能让你有完整掌控系统的底气。AI Brain 的加入又进一步降低了使用和运营成本，这是我认为它值得被推荐的关键理由。

如果你正在物色一个自托管项目管理平台，或者想给现有平台加一个本地 AI 助手，我从个人角度给出的建议是：直接用官方 Docker Compose 在测试环境把 TomiHub 跑起来，花半天时间把你在用的项目管理流程映射上去，再决定是否迁移。

我自己是在一台低配服务器上跑了小一个月，团队反馈里听到最多的一句话是“原来项目管理可以不用那么累”。这句话也是对 TomiHub 最好的总结——技术上的事说再多，最后比的是它有没有真正降低你和团队的协作负担。