若缺乏从零部署经验，可按五步完成core本地部署：一、环境准备（ubuntu/debian+docker）；二、ollama部署并拉取deepseek-r1模型；三、open webui容器化部署；四、飞书机器人接入；五、chromadb知识库注入与rag启用。
☞☞☞AI 智能聊天, 问答助手, AI 智能搜索, 多模态理解力帮你轻松跨越从0到1的创作门槛☜☜☜
如果您希望在本地环境中运行一个完全可控、数据不出域的智能助手，但缺乏从零开始部署的经验，则可能是由于缺少清晰的技术路径与可复现的操作指引。以下是完成Core本地部署全流程的具体步骤：
一、环境准备与基础依赖安装
该步骤旨在构建稳定、兼容的底层运行环境，确保后续模型服务与Web界面组件能正常加载与通信。需统一操作系统版本、包管理器及关键运行时版本，避免因环境碎片化导致服务启动失败。
1、确认系统为Ubuntu 22.04 LTS或Debian 12，执行lsb_release -a验证发行版信息。
2、更新系统软件包索引：执行sudo apt update && sudo apt upgrade -y。
3、安装基础工具链：执行sudo apt install -y curl wget git gnupg2 software-properties-common。
4、安装并启用Docker CE：依次执行curl -fsSL https://download.docker.com/linux/ubuntu/gpg | sudo gpg --dearmor -o /usr/share/keyrings/docker-archive-keyring.gpg、echo "deb [arch=$(dpkg --print-architecture) signed-by=/usr/share/keyrings/docker-archive-keyring.gpg] https://download.docker.com/linux/ubuntu $(lsb_release -cs) stable" | sudo tee /etc/apt/sources.list.d/docker.list > /dev/null、sudo apt update、sudo apt install -y docker-ce docker-ce-cli containerd.io。
5、将当前用户加入docker组以避免每次使用sudo：执行sudo usermod -aG docker $USER，随后注销并重新登录生效。
二、Ollama服务部署与DeepSeek-R1模型拉取
此步骤通过Ollama提供轻量级模型运行时，实现本地大语言模型的即装即用。Ollama自动处理CUDA驱动适配、模型量化加载与HTTP API暴露，是Core架构中模型推理层的核心载体。
1、下载并安装Ollama：执行curl -fsSL https://ollama.com/install.sh | sh。
2、验证Ollama是否运行：执行ollama serve &后台启动，再执行ollama list确认服务响应。
3、拉取DeepSeek-R1-7B-Q4_K_M量化模型：执行ollama pull deepseek-r1:7b-q4_k_m。
4、测试模型响应能力：执行ollama run deepseek-r1:7b-q4_k_m，输入你好，请自我介绍，观察是否返回结构化应答。
5、若需GPU加速，确认NVIDIA驱动已安装且nvidia-smi可见，Ollama将自动启用cudnn后端。
三、Open WebUI服务容器化部署
该步骤引入Open WebUI作为Core的前端交互层，其基于React构建，支持多会话管理、历史持久化与插件扩展。通过Docker Compose编排，可与Ollama服务无缝对接，无需修改源码即可完成身份认证与模型路由配置。
1、创建部署目录：mkdir -p ~/core-webui && cd ~/core-webui。
2、创建docker-compose.yml文件，内容包含webui服务与ollama服务互联配置，其中OLLAMA_BASE_URL设为http://host.docker.internal:11434（Mac/Windows）或http://172.17.0.1:11434（Linux）。
统一LLM网关 - 一个API对接70+AI模型，使用单一API密钥即可调用GPT、Claude、Gemini、Qwen、Deepseek、Grok等主流模型。
3、设置管理员凭证：在docker-compose.yml中挂载./config.json，内含{"ADMIN_EMAIL":"admin@example.com","ADMIN_PASSWORD":"<strong><font color="green">CoreDeploy2026!</font></strong>"}。
4、启动服务栈：执行docker-compose up -d。
5、检查容器状态：执行docker-compose ps，确认webui与ollama均显示Up且无重启循环。
四、飞书机器人接入与消息路由配置
此步骤将本地Core助手接入飞书组织通讯流，使用户可通过飞书群聊或单聊直接触发本地模型响应。核心在于建立飞书事件网关与本地Webhook之间的双向可信通信，绕过云端模型API调用链路。
1、登录飞书开发者后台，创建企业自建应用，获取App ID与App Secret。
2、在应用配置页启用“机器人”能力，复制生成的Verification Token与Encrypt Key。
3、在本地部署目录中新建feishu-config.yaml，填入上述密钥及WEBHOOK_URL: http://<strong><font color="green">your-server-ip:8080</font></strong>/feishu/callback。
4、启动飞书适配服务：执行python3 -m feishu_adapter --config feishu-config.yaml（需提前安装fastapi与pydantic）。
5、在飞书客户端添加机器人至目标群组，发送@机器人 hello，观察本地终端是否打印接收到的JSON事件。
五、本地知识库注入与RAG能力启用
该步骤赋予Core助手基于私有文档的理解与引用能力，通过向量数据库实现非结构化文本的语义检索。采用ChromaDB作为嵌入存储后端，与Ollama内置的nomic-embed-text嵌入模型协同工作，形成闭环RAG流水线。
1、启动ChromaDB服务：执行docker run -d -p 8000:8000 --name chroma -e CHROMA_TELEMETRY=False chromadb/chroma。
2、安装chromadb Python包：执行pip3 install chromadb。
3、准备PDF/Markdown格式的企业知识文档，存放于~/core-data/docs/路径下。
4、执行索引脚本：python3 ingest.py --docs-dir ~/core-data/docs/ --db-path http://localhost:8000，脚本将自动分块、嵌入、写入Chroma集合。
5、在Open WebUI中启用RAG开关，并将retriever_url设为http://localhost:8000/api/v1/collections/core-kb/query。
