自託管 AI 入門套件：n8n 的免費本地 AI 堆疊的真實成本（2026 年）

我發布了這份指南 自託管人工智慧入門套件 這篇文章發表於2026年3月，一度排在搜尋結果首頁，後來下滑到了第二頁。這週我重新閱讀自己寫的文章時，讓我感到不舒服的不是排名，而是我之前提到的兩件事已經不再屬實，而第三件事從一開始就不完全正確。.

所以這不是一次簡單的修改。這是我想寫的文章版本：n8n 的自託管 AI 入門套件實際安裝了什麼，compose 檔案實際暴露了什麼，在第一個令人興奮的夜晚之後運行它的成本是多少，以及「免費本地 AI」何時不再免費。.

如果您只是為了安裝命令而來，它們在第四部分，而且仍然有效。但本指南的真正價值在於安裝命令之外的所有內容，因為安裝自託管 AI 入門套件只需十分鐘，而實際使用起來則需要更長時間。.

以下所有內容已於 2026 年 9 月 19 日在源頭重新驗證—包括儲存庫、compose 檔案等。 .env.範例, 此外，我還參考了 n8n 的官方文件、Ollama 的模型庫以及 Docker 的網路文件。如果一些流行的教程與官方文檔存在衝突，我會指出來。.

自我第一次發布本指南以來，發生了哪些變化？

刷新頁面通常被理解為“添加新內容”，這是最簡單粗暴的說法。真正有用的刷新頁面應該找出當前頁面有哪些錯誤之處。以下三點值得注意：

1. 該工具包無法下載 Llama 3 8B

我三月的草稿中提到，第一次運行會拉取一個「大約 4.7 GB」的模型。但實際上並非如此。 compose 檔案中包含一個 init 容器，其全部任務只有一行： 睡眠 3；ollama 拉 llama3.2. Llama 3.2 的預設標籤是 3B 模特兒 2.0 GB 上下文視窗大小為 128K——不到我引用的下載量的一半，而且其大腦規模明顯小於人們在閱讀「本地人工智慧」時所想像的 8B 模型。“

這比檔案大小更重要。它決定了你對這台設備實際功能的預期，而這正是下文將要詳細討論的內容。.

2.「完全免費」是行銷手段，我重複了這句話。

下載免費。許可證免費。 跑步 事實並非如此，帳單會顯示為內存、磁碟、電力或VPS費用，以及——最昂貴的——你自己的工時費。我之前寫「沒有每月API帳單」時，好像這就是全部內容。但事實並非如此。下面有完整的成本明細。.

3. 將自架 AI 入門套件稱為「開源」只對了一半，而另一半錯誤之處恰恰是商業上至關重要的。

入門套件範本本身採用的是 Apache 2.0 授權。但實際執行工作的組件 n8n 則採用的是其他許可。 永續使用許可 — 公平代碼，而非 OSI 開源代碼 — 以及標記為 .ee 完全需要企業許可證。實際上：您可以永久免費地自行託管，供您自己的企業使用。但您不能將其作為託管服務轉售。如果您打算基於此建立面向客戶的自動化產品，請在閱讀教學課程之前先閱讀授權。.

還有一件事我在三月漏掉了，而這恰恰是n8n發布的關於這個專案的最重要的一句話。他們自己的文檔裡說，這個套件是 “尚未完全針對生產環境進行最佳化” 並指示你 “在投入生產使用之前，需進行加固和強化處理。” 所有指南的第一頁都會跳過那一行。這正是本文存在的意義。.

自託管人工智慧入門套件究竟是什麼

這個自託管 AI 入門套件是由 n8n 精心打造的 Docker Compose 模板，它在一個私有 Docker 網路上啟動四個服務：n8n 自動化運行時、用於本地語言模型的 Ollama、作為向量存儲的 Qdrant 以及 n8n 底層的 PostgreSQL。只需一條指令，四個容器，四個命名卷。.

它很受歡迎，也很穩定：15.3k 個星標，3.8k 個分支，而且——這一點值得注意—— 總共提交了 40 次. 最近一次更新是在 2026 年 7 月，標題僅為「修復了 readme 檔案中的失效連結。無重大變更。」compose 檔案的最後一次功能性變更是在 2026 年 1 月。這不是一個已放棄的項目；它是一個… 完成的 第一，它原本就應該是一條起跑線，而不是別人替你不斷加固的平台。.

把它想像成一個實驗室平台，而不是一個實際部署環境。當你問自己「本地模型能否處理我的實際工作」時，實驗室平台正是你所需要的。但你肯定不希望它在凌晨三點還保存著你的客戶資料。.

Compose 檔案內部究竟包含什麼？

大多數教程都只是對 README 文件進行改寫。以下是自託管 AI 入門套件的 compose 檔案本身對各項服務的聲明：

服務	影像	發布連接埠	體積	工作
n8n	n8nio/n8n:最新	5678	n8n_存儲 + .。 /共享	工作流程運行時和編輯器
羊駝	ollama/ollama:最新	11434	ollama_storage	運行本機模型；無需身份驗證
qdrant	qdrant/qdrant	6333	qdrant_storage	用於嵌入的向量存儲
PostgreSQL	postgres:16-alpine	沒有任何	postgres_storage	n8n 的資料庫，有健康檢查功能

還有兩個容器運行後立即退出，而不是保持運作：

• n8n-import — 這是一次性導入演示憑證和工作流程的操作，自 2026 年 1 月起，它會先檢查工作流程是否已存在，如果已存在則跳過導入。正是由於這項修復，重新運行堆疊才不再導致演示重複。.
• 奧拉瑪拉羊駝 — 下載的初始化容器 羊駝3.2 首次啟動時。如果您的第一個聊天訊息卡住，這就是您正在等待的內容；下載進度顯示在 Docker 日誌中，而不是 n8n 使用者介面中。.

三種硬體配置方案用於選擇運行哪個 Ollama 容器： 中央處理器, NVIDIA GPU, ， 和 GPU-AMD （它會交換 ROCm 圖像並通過 /dev/kfd 和 /dev/drin8n 服務預設也關閉了遙測功能。 N8N_DIAGNOSTICS_ENABLED=false 和 N8N_PERSONALIZATION_ENABLED=false ——這對於一個以隱私為導向的技術堆疊來說，確實是一個經過深思熟慮的預設設置，但卻沒有人提及。.

最後，請注意 .。 /共享 資料夾已掛載到 n8n /data/shared. 這就是你的文件存放處：你放在那裡的文件可以被工作流程讀取，這樣你就可以在完全沒有上傳步驟的情況下進行本地文件處理。.

安裝指南：十分鐘速成版，依然有效

安裝自託管 AI 入門套件只需要兩個前提：Docker 和 Docker Compose。僅此而已。 （如果您對 Docker 還不熟悉，我寫過一篇關於 Docker 的簡短文章。） 為什麼 Docker 是讓我的十家人工智慧企業避免互相爭鬥的工具.)

git clone https://github.com/n8n-io/self-hosted-ai-starter-kit.git cd self-hosted-ai-starter-kit cp .env.example .env # 然後實際編輯它 — 請參閱下一節 # NVIDIA GPU docker compose --fileN 15 NV compose --profile gpu-amd up # 僅 CPU docker compose --profile cpu up

然後打開 http://localhost:5678, 建立擁有者帳戶，然後開啟放置在該帳戶中的示範工作流程匯入容器。點選 聊天. 第一則訊息會一直顯示在那裡，直到 Ollama 完成模型拉取——這是正常現象，也是人們常常誤以為是安裝失敗的步驟。.

在搭載 Apple Silicon 的 Mac 上, Docker 無法存取 GPU。您有兩個切實可行的選擇：要么完全在 CPU 上運行並接受速度限制，要么在 macOS 上原生安裝 Ollama，使其使用 Apple GPU，然後以純文字模式啟動堆疊。 docker compose up, ， 放 OLLAMA_HOST=host.docker.internal:11434 你的 .env, 然後——這是每個人都會忘記的一步——進入 n8n 的憑證，打開“本地 Ollama 服務”，並將基本 URL 更改為 http://host.docker.internal:11434/. 如果沒有最後那次編輯，工作流程仍然指向一個沒有運行模型的容器。.

升級 是一種拉力、一種重塑、一種提升：

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

替換硬體設定檔。這就引出了升級過程中沒人會提醒你的部分。.

首先，基於自託管 AI 入門套件構建的五個值得關注的工作流程

一個沒有任何實際運作的系統是學不到任何東西的。以下五個系統是我在第一週會搭建的，它們能讓你了解本地人工智慧是否適合你的業務，排名依重要性遞增的順序排列。.

1. 收件匣分類，但從不發送任何內容。. 將收到的郵件分類為支援、銷售、供應商和噪音，並將標籤寫回郵件。無需回复，無需草稿——只需進行分類，以便您審核一周。這是測試 3B 模型是否理解您的領域詞彙的最經濟有效的方法，而失敗的原因在於標籤錯誤，而不是發送給客戶的錯誤郵件。.
2. 文件投放箱。. 文件導入 .。 /共享, 提取的文本、摘要和關鍵字段被導入Postgres資料庫。由於該資料夾直接掛載到n8n容器中，因此您處理的任何內容都不會離開機器——這才是真正的隱私論點，它得到了實際證明，而非僅僅被斷言。.
3. 檢索您自己的文件。. 將您的標準作業程序 (SOP)、合約或產品文件嵌入 Qdrant，即可透過聊天工作流程進行查詢。這正是大多數人所說的「企業人工智慧」的核心所在，您也會發現，答案品質很大程度上取決於資料分塊而非模型規模。.
4. 編輯預處理器。. 本地模型會移除姓名、地址和帳號；處理後的文字隨後會傳送到託管模型進行更複雜的推理。這是整個工具包中最有價值的模式，但幾乎沒有人會建造它，因為它需要承認本地模型並非最佳選擇。.
5. 定期摘要。. 一個定時任務，讀取資料來源，然後產生一個簡短的摘要，並保存在顯眼的地方。雖然枯燥乏味，但它是最好的老師：它是第一個會在你睡著時崩潰的工作流程，而你如何發現它，正是業餘愛好和專業運營之間的區別。.

注意這份清單裡缺少什麼：一個無需審核就能完全自主行動的智能體。如果你在第一週就基於 3B 模型建構出這樣一個智能體，你就會對本地人工智慧形成一種根深蒂固且不公平的看法——因為失敗的不是模型，而是架構。.

自架 AI 入門套件中的三個預設設定會損害你的利益

這些都不是 bug。對於一個旨在筆記型電腦上運行一整個下午的模板來說，這些都是合理的選擇。一旦堆疊運行時間超過下午，它們就成了你的問題。.

1. 範例環境文件包含真實的、字面上的憑證。

.env.範例 包含 POSTGRES_USER=root, POSTGRES_PASSWORD=密碼, N8N_ENCRYPTION_KEY=超級密鑰 和 N8N_USER_MANAGEMENT_JWT_SECRET=更秘密. 安裝說明如下： cp .env.example.env 然後會有一條程式碼註解告訴你修改它們。註釋不是障礙。複製文件，修改所有四個程式碼，然後執行即可。 前 第一次啟動—因為 N8N_加密金鑰 這是 n8n 用於加密儲存憑證的金鑰。如果您在保存憑證後輪換此金鑰，則不會收到警告；您將獲得無法解密的憑證。.

2. 它發布了三個端口，其中兩個端口沒有身份驗證。

compose 檔案發布了 5678 (n8n)、11434 (Ollama) 和 6333 (Qdrant) 三個客戶端。 n8n 至少具備使用者管理功能。. Ollama 沒有身份驗證，而 Qdrant 啟動時沒有 API 金鑰。. 在家用路由器後面的筆記型電腦上這樣做沒問題。但在具有公網 IP 的 VPS 上，您就相當於將未經身份驗證的模型運行時和未經身份驗證的向量資料庫發佈到了互聯網上。.

而這正是連謹慎的人都會落入的陷阱：縱容。 ufw 但這並不能解決問題。 Docker 本身的網路文件對此有明確說明－當你發佈容器的連接埠時，, “進出該容器的流量在經過 ufw 防火牆設定之前就會被重定向……實際上忽略了您的防火牆配置。” 發布連接埠在 ufw 使用的 INPUT 鏈之前，會在 NAT 表中處理。您可以獲得一個乾淨的 ufw 狀態 同時也打開了一個連接埠。.

修復方法很簡單。容器之間透過內部介面進行通訊。 示範 網絡，所以它們根本不需要主機連接埠。要么刪除 連接埠： 阻止 Ollama 和 Qdrant 服務，或將它們綁定到回環位址 — 127.0.0.1:11434:11434 — 需要存取這些連接埠時，可以透過 SSH 隧道連接它們。對 5678 連接埠也進行相同的操作，並在其前面添加一個啟用 TLS 的反向代理。.

3. 每張圖片都漂浮在 ：最新的

n8n、Ollama 和 Qdrant 都被置頂了 最新的 （只有Postgres會指定主版本號）。這在當時很方便，直到… docker compose pull 某個普通的星期二，系統可能會給你一個與你測試工作流程時所使用的版本不同的 n8n 次要版本。在堆疊開始承載負載之前，先鎖定你實際運行的標籤，並謹慎地進行升級。任何經歷過自託管工具變更的人都知道原因——我之前寫過關於這種故障模式的文章。 Flowise已被存檔。.

自託管 AI 入門套件的實際運作成本是多少？

零授權費用是真的——這款自架 AI 入門套件下載和使用都完全免費。而且，它也是帳單上費用最低的一項。以下分成三部分教你如何誠實地為自己的搭建方案定價。.

第一部分：內存，完全由您選擇的型號決定。

四個容器在載入任何模型之前大約會佔用一到兩個GB的空間。然後模型載入到最頂層，此時就需要做出決定：

奧拉瑪模型	下載大小	情境	實際上運行於
羊駝3.2 （3B，套件預設配置）	2.0 GB	128K	任何現代筆記型電腦；可在 CPU 上運行
羊駝3.2:1b	1.3 GB	128K	小型VPS，邊緣盒子
gpt-oss:20b	14 GB	128K	一塊真正的獨立顯示卡，或是一台配備大量記憶體和足夠耐心的工作站。
gpt-oss:120b	65 GB	128K	僅限伺服器級硬體

那張表格用四行文字概括了全部的經濟論證。筆記型電腦上運行的版本運行的是 3B 模型。而運行一個值得信賴的多步驟推理模型的版本，所需的硬體成本甚至超過了它原本要替代的雲端 API 費用——除非你已經擁有這台機器，或者你的數據量足夠大，可以攤銷這筆成本。.

第二部分：非模型部分

• 磁碟. 模型權重、Postgres、Qdrant 集合和 n8n 的二進位資料都在成長。工具包 N8N_DEFAULT_BINARY_DATA_MODE=檔案系統, 因此，處理後的檔案儲存在磁碟上，而不是資料庫中——這對效能有好處，但當磁碟區滿了時很容易忘記。.
• 權力或租金。. 運行推理的盒子就像一個全天候耗電的盒子，或者說是一個無論你本月是否使用都會續訂的 VPS 服務項目。.
• 升級。. 四張圖片，各自按照自己的步調發布，沒有供應商會為你測試組合效果。.

第三部分：工時，這才是真正壓垮人們的因素。

自託管並不會消除維運工作，而是將其轉移給你。我在自己的基礎設施上運行十個品牌容器，所以我可以量化這種轉移，而不是空泛地誇大其詞。在過去的 30 天裡，我的容器叢集的調度器觸發了… 410 次計劃運行，涵蓋 20 種作業類型 — 299 次運行成功，79 次故意跳過，6 次運行失敗，2 次運行性能下降，24 次運行結束但未寫入任何狀態資訊。自 6 月以來，共記錄了 1308 次運行。.

失敗次數並不是我們關注的重點。 24 次運行無狀態行 確實如此。這些項目在儀表板上看起來沒問題，但實際上並非如此——必須有人負責統計它們，它們才會顯示出來。現在這個人就是你。就像規劃記憶體預算一樣，把這些項目也納入預算。.

還有一個倍增器：並發性

以上所有內容均假設每次只處理一個請求。 Ollama 會根據已加載的模型權重來處理請求，因此，如果兩個工作流程同時在同一台機器上運行，它們並不會像您期望的那樣排隊等待——它們會爭用相同的內存和計算資源，原本“四秒響應”的基準測試結果會變成三十秒。如果您打算在重疊的時間段內執行多個定時工作流程，請有意錯開它們的運行時間，或根據尖峰而非平均負載來設定機器。錯開運行時間是免費的，而根據尖峰負載來配置機器則需要成本。.

3B本地模式真正夠好的地方

關於隱私問題的誠實說法並非「本地模型和前沿模型一樣好」。事實並非如此，假裝情況並非如此只會讓人們在兩週後感到失望。誠實的說法是： 很大一部分業務自動化根本不需要前沿模型。.

事物 羊駝3.2 性能良好，足以投入生產：

• 分類和路由。. 這是電子郵件支援、銷售還是噪音？此工單屬於以下六個類別中的哪一類？
• 結構化萃取。. 從這段文字中提取發票號碼、日期和總額，並傳回 JSON 格式的資料。.
• 簡要概述。. 一份兩頁文件中的三個要點。.
• 編輯和預處理。. 本地刪除姓名和帳號訊息, 然後 將脫敏後的剩餘資料傳送到雲端模型。這種方法常常被低估：它既能確保關鍵環節的隱私安全，又能使用功能強大的模型進行深入分析。.

它的缺點：冗長的多步驟代理循環、可靠的工具呼叫、任何需要在較長上下文中進行判斷的任務，以及程式碼編寫。如果您打算在 3B 模型上實現完全自主、無人值守的代理鏈，請閱讀以下內容。 運作一個真正自主的代理究竟需要什麼 第一的。.

當然，你也可以將同一個堆疊指向更大的目標—— ollama 拉取 gpt-oss:20b 並更改 n8n Ollama 節點中的模型。上表顯示了硬體成本。如果您想在同一個介面後混合使用本機模型和託管模型，那正是問題所在。 模型路由 存在的目的是為了解決問題。.

這裡唯一重要的基準就是你自己的：從你的收件匣或文件堆裡找出十個最棘手的真實案例，按照示範流程運行一遍，然後閱讀輸出結果。不是範例提示，而是你自己的案例。.

我實際運行的分段

我積極採用自架模式——但並非採用這種模式。我自己的技術棧將… 運行時環境 我自己用盒子，然後租的 智力容器、調度器、佇列、資料庫和日誌都運行在我控制的基礎架構上，而推理過程則透過 API 針對前沿模型進行。我已經詳細記錄了該架構。 我如何在單機上運行我的自主AI車隊 並且 真正支撐我旗下十個品牌業務的是什麼？.

既然我明顯對自託管有興趣，為什麼還要這樣拆分呢？因為這兩部分故障的方式不同。執行時間問題——容器無法重新啟動、磁碟已滿、定時任務悄無聲息地停止運作——既枯燥乏味，成本又低廉，而且我自己就能解決。模型品質問題既不枯燥也不便宜，而且擁有GPU並不能讓這些問題消失；只是讓它們也成為你的責任而已。.

隱私問題的解決方式也與大多數貼文所描述的不同。你不需要將每個令牌保留在你的硬體上。你需要… 經過深思熟慮，決定哪些數據可以離開。 ——在雲端模型之前部署本地模型是實現此決策的有效方法。這是一種設計選擇，而非非此即彼的理念。.

如果你不想透過反覆試驗來計算這個比例，那我每週都會和營運商一起做這類事情—— 預約工作坊 我們將製定計劃，確定哪些應該本地化，哪些應該租賃，哪些目前還不應該自動化。.

從入門套件到讓你愛不釋手的裝備

n8n 的文件建議在生產環境部署前加固自託管 AI 入門套件，然後就此打住——編寫操作手冊並非他們的職責。以下是我的操作手冊，按我的順序排列：

1. 真正的秘密，第一次啟動。. 新的Postgres密碼，新的 N8N_加密金鑰, 在儲存任何憑證之前，需要產生新的 JWT 金鑰。.
2. 關閉連接埠。. 移除 Ollama 和 Qdrant 連接埠： 條目或將它們綁定到 127.0.0.1. 無論如何，它們都能透過 Docker 網路相互連接。.
3. n8n 前端的反向代理和 TLS。. Caddy 或 nginx 終止 HTTPS，n8n 本身不直接暴露。.
4. 防火牆部署在正確的層級。. 因為已發布的連接埠繞過了 ufw，所以需要使用過濾器。 DOCKER 用戶 規則或您的提供者的網路防火牆—並且從主機外部進行驗證，而不是從主機內部進行驗證。.
5. 固定圖片標籤。. 了解您的工作流程是在哪個 n8n 版本上進行測試的。.
6. 備份全部四個卷，然後恢復其中一個。. A pg_dump 此外，也要按計畫建立磁碟區快照。未經測試的備份只是謠言。.
7. 重啟策略和資源限制。. 長期運作的服務已經設定 重新啟動：除非已停止; 增加記憶體限制，以防止失控的模型導致資料庫崩潰。.
8. 監視磁碟和佇列深度。. 模型權重加上檔案系統二進位資料會靜默地填入磁碟區。.
9. 對沉默保持警惕，而不僅僅是對錯誤保持警惕。. 停止執行的工作流程不會產生任何錯誤—請參閱上面提到的 24 個無狀態運行。.
10. 保留一份備用副本。. 同樣的編曲，不同的音量，先升級音量。.

如果這份清單讓你覺得免費工具卻需要付出很多努力：沒錯。這正是本文的結論。工具包是免費的；但擁有它需要付費。.

自託管人工智慧入門套件與其他實現方式的比較

選項	你將獲得什麼	你擁有的	最佳時機
n8n 自託管 AI 入門套件	n8n + Ollama + Qdrant + Postgres，一條指令	一切：安全、備份、升級、硬件	您正在評估本地模型是否適合您的工作。
本地人工智慧打包 (coleam00)	一個超集－包含相同的核心功能以及 Supabase、Web UI、代理等更多功能（3.8k 星標，上次更新時間為 2026 年 2 月）	一切，遍布更大的表面	您希望電池包含在內，並接受額外的維護費用
自託管 n8n + 託管模型 API	您的運行時，租用的智能	運行時僅	大多數小型業者，大多數時候——這就是我營運的模式。
n8n 雲端或其他託管平台	其他營運團隊	您的工作流程	你寧願花錢買回時間，也不願擁有自己的基礎建設。

前三行內容涉及一個許可方面的說明：自架的 n8n 免費社群版功能齊全，足以滿足大多數個人用戶的需求，但它不包含自訂變數、環境、外部金鑰儲存、外部二進位儲存、日誌流和多主模式。這些在初期階段都不重要。但如果您運行多個環境，其中兩項功能就會變得至關重要。如果您更關注平臺本身而非技術棧，我已撰寫了一份實戰指南。 n8n 到底是什麼 以及一位誠實的人 備選方案清單.

常見問題解答

自託管人工智慧入門套件真的免費嗎？

此範本基於 Apache 2.0 協議，自架的 n8n 社群版完全免費，因此無需支付授權費用。運行該模板需要硬體、電力或 VPS 租金，以及您投入的時間。 「免費」指的是下載，而非部署。.

它預設安裝的是哪個型號？

羊駝3.2 — 這是 3B 版本，下載大小為 2.0 GB，上下文視窗為 128K。並非 Llama 3 8B，此前一些指南（包括我早期的草稿）聲稱它是 8B 版本。.

我可以運行像gpt-oss這樣的大型模型嗎？

是的 - ollama 拉取 gpt-oss:20b 並在 n8n Ollama 節點中切換模型。記憶體預算：20B 需要 14 GB，120B 需要 65 GB。套件本身並不在乎你運行哪個模型，你的硬體才會在乎。.

我需要獨立顯示卡嗎？

不，對於中等工作負載下的預設 3B 模型而言—— 中央處理器 確實存在專門為此設計的配置文件。是的，實際上，對於任何規模更大或對延遲敏感的應用，都需要用到它。 Apple Silicon 是個特例：在 macOS 上原生運行 Ollama，而不是在 Docker 中運行，然後將堆疊指向… host.docker.internal:11434.

在公共VPS上運行程式安全嗎？

並非出廠預設配置。它會在未進行身份驗證的情況下發布 Ollama 和 Qdrant，並且 Docker 發布連接埠會繞過 ufw 防火牆——因此您啟用的防火牆可能無法過濾這些連接埠。請取消發布或綁定這些端口，在 n8n 前面新增一個 TLS 終止反向代理，然後從主機外部進行驗證。.

自託管 AI 入門套件是否已準備好投入生產使用？

n8n 的文件指出，它“尚未針對生產環境進行完全最佳化”，並建議先進行安全加固。雖然組件是生產級的，但配置只是一個演示版本。上面的安全加固清單正是兩者之間的差距所在。.

升級後我的工作流程會發生什麼變化？

它們存在於 Postgres 和 n8n 卷中，所以 docker compose pull 然後 創造 然後 向上 保存它們。風險不在於遺失，而在於漂移：每一幅影像都漂浮在… ：最新的, 所以，請先固定標籤並升級測試版本。.

最後想說的話

自託管 AI 入門套件仍然是回答一個值得回答的問題——本地模型能否做到——的最經濟實惠且可靠的方式。 你的 效果好到值得一提？那就克隆一個，花一個晚上把你的真實文檔和真實收件匣導入進去，你就會知道比任何對比文章（包括本文）都更有用的信息。.

它無法回答的是你是否想要擁有這台設備。這不是技術問題，而這正是大多數失望的根源——人們採用演示級別的配置作為基礎設施，忽略了安全加固，六週後才發現工作被轉移了。應該按照設計之初的實驗目的來運作這套設備。如果答案是肯定的，那麼就應該有意識地進行安全加固，並確定哪些資源保留在本地，哪些資源需要租用。.

如果你想在決定花整個週末之前聽聽其他人的意見，, 預約課程 我們將考察你的實際工作量，而不是演示工作量。.