n8n是一个开源的AI+workflow的平台，能通过零代码方式搭建流程和AI应用。虽然N8N托管云服务用起来很方便，并且还不需要自运维，但是每个月24欧元的价格还是有点小贵，另外如果你的企业有安全管控，流程和数据在公网也不是很合适，更何况是国外的网站还有合规的风险。

安装docker desktop

      docker为软件的安装提供集成环境，使得软件安装不必再被缺少环境依赖困扰，使用docker安装软件非常方便，而docker desktop是windows比较好用docker 工具。当然没有docker 也可以自行安装n8n就需要考虑环境的差异，非常建议用docker来安装n8n等等的软件。

      环境：windows11 64位，升级到22H2后的版本（这是22年的版本，你开着自动更新一般都是最新的）

• 步骤1：确认虚拟化已开启，通常是开启，可跳过。

          搜索任务管理器并打>>任务管理器 >>性能 >>CPU >>查看“虚拟化: 已启用”

• 步骤 2：（推荐）手动启用 WSL2，如果不操作此步骤安装docker desktop也会打开

          此步骤也可以跳过，docker desktop安装过程中如果发现WSL没有或版本低会自动指导安装的。

# 以管理员身份运行 PowerShell
wsl --install --no-distribution
​
# （重要！）执行完后重启电脑生效

• 步骤3：下载并安装docker desktop

访问官网：https://hub.docker.com/

注册并登录>> 下载安装包

       下载后执行安装程序，安装过程会长一点，耐心等待。

       安装后打开docker desktop的图标，就可以正常使用了。

       如果上边的步骤2没有执行，可能会在窗口提示：WSL needs updating。直接点下边的restart按钮>>弹出一个命令窗口>>按任意键（开始更新WSL）>>看提示更新完成后再点任意键退出命令窗口>>再点界面restart按钮重启docker服务>>等待一会就能使用了。

安装ollama

       ollama是一个专门为本地运行模型而设计的开源工具，可以运行大模型和普通模型。一般场景个人没有GPU去运行大模型，但是一些小模型是可以运行在cpu上的，例如将文字转化为向量的向量模型。这样对于小的模型就不用再依赖收费的api，也保证数据的安全。这篇文章中主要用ollama来运行一个向量模型bge。

       环境：windows11 64位，至少8G内存。建议和n8n别在一台机器，会略慢，如果你是16G部署在一起也可以忍受。

       官网下载：https://ollama.com 老版本需要WSL，新版本已原生支持windows，就是docker desktop依赖的那个WSL。

       点下载的exe执行安装。完成后，通过命令 ollama --version 来验证是成功。ollama一般也会在系统托盘中羊驼标志的图标

       模型仓库地址：https://ollama.com/library

ollama常用命令

ollama --version 查看版本

ollama run <模型名> 运行某个模型，首次会自动下载模型

ollama pull <模型名> 下载某个模型

ollama list 列出已安装的模型

ollamava ps 查看当前运行的模型

ollama rm <模型名> 删除某个模型

安装和启动N8N

• 步骤1：拉取n8n镜像

      有了docker desktop安装非常简单，打开docker desktop。搜索n8n>>选择n8nio/n8n>>tag 选择latest（最后版本）>>pull

• 步骤2：添加卷标（可选，建议）

      docker镜像停止运行后数据磁盘上数据都不会保存，因此需要指导到宿主机（就是你的windows）机器上某个文件，这样停止后数据就不会丢失。这里是以用docker desktop添加一个由dokcer desktop管理的磁盘目录。这个目录你手工访问会比较麻烦，但是简单。

       只能添加一个，没有添加时显示红色“Add”按钮，添加后显示“Delete”，名称自己定义，具体文件位置是由docker desktop自行管理

• 步骤3：启动n8n镜像

     方式一：通过docker desktop界面启动

     docker desktop>>（左侧）image菜单>>找到（镜像名）n8nio/n8n那行左侧运行按钮

      端口配置：

      Host port：是你在windows机器上访问服务的端口，n8n在容器中默认的端口是5678，host port和容器内端口可以不一样，但如果不一致需要注意，n8n给出的一些url地址，当在windows机器上访问时要改成host port。

    外挂磁盘配置：

Host path，如果第2步设置n8n_data（你的命名）可以直接填写n8n_data，也可以填写机器中某个固定目录。填写n8n_data方便(建议)，也不用关心文件在哪里，而填写固定目录可以直接操作n8n容器中文件，某些情况会需要。

Container path，必须填写/home/node/.n8n 这是n8n默认目录。

Environment variables可以设置高级参数，暂时用不到

填好配置点"run"按钮就启动镜像，访问http://localhost:5678 则打开n8n的界面

      方式二：命令行启动

      先打开docker desktop界面，然后在打开一个windows命令行窗口，执行下边的脚本

docker volume create n8n_data
docker run -it --rm \
 --name n8n \
 -p 5678:5678 \
 -e GENERIC_TIMEZONE="<YOUR_TIMEZONE>" \
 -e TZ="<YOUR_TIMEZONE>" \
 -e N8N_ENFORCE_SETTINGS_FILE_PERMISSIONS=true \
 -e N8N_RUNNERS_ENABLED=true \
 -v n8n_data:/home/node/.n8n \
n8nio/n8n

n8n就安装并启动完成了，可以登录了。

安装向量模型（bge-m3）

       向量模型提供1024维的文本向量化，对中文支持友好，是比较流行和推荐的一个向量化模型，当然也可以选择其他的向量模型。

       前提：以安装ollama，并启动ollama

       打开windows命令行窗口，执行下边命令

         1）下载：ollama pull bge-m3

         2）运行：ollama run bge-m3 "供应商管理的核心指标有哪些？"

       验证向量模型

          Ollama 会默认在本地启动 *http://127.0.0.1:11434* （取决于你版本）。

          调用接口

# python 的rest api方式，也可以使用postman调用或ollama的sdk调用
import requests
import json
​
url = "http://127.0.0.1:11434/v1/embeddings"
​
payload = {
    "model": "bge-m3",
    "input": ["供应商评估方法", "采购流程优化"]
}
​
response = requests.post(url, json=payload)
embeddings = response.json()
print(embeddings)

安装向量库chroma

      chroma是个简单易用的内嵌向量数据库

通过docker desktop部署一个chroma，步骤和n8n非常相似，也可以通过下边的命令运行

      docker run -d -p 8000:8000 -v ~/chroma_data:/chroma/chroma chromadb/chroma

向量库的相关说明：

1）n8n 提供了多个主流向量库的集成，你可以根据需求选择：

• Pinecone： 云端托管，性能强，适合生产环境。

• Milvus / Qdrant： 适合处理大规模数据的专业级向量库。

• Supabase (pgvector)： 如果你已经在用 Postgres，这是最方便的选择。

• In-Memory Vector Store： 最适合新手。数据存在内存中，工作流运行完就消失，适合快速测试。

• Chroma： 开源且流行的轻量级选择。

2）常见向量库对比

数据库	开源	语言支持	核心特点	适合场景
Milvus	✅ (Apache 2.0)	Python/Go/Java/Node.js 等	高性能、云原生、支持标量+向量混合查询、GPU 加速	大规模企业级应用（亿级向量）
Qdrant	✅ (Apache 2.0)	Rust（服务端），Python/Go/JS 客户端	内存高效、支持 payload 过滤、REST/gRPC 双接口	中小规模 RAG、快速部署
Weaviate	✅ (BSD-3)	Go（服务端），多语言客户端	内置 LLM 模块、支持自动向量化、GraphQL 查询	AI 原生应用、语义知识图谱
Pinecone	❌（商业 SaaS）	Python/JS	全托管、免运维、低延迟、自动扩缩容	快速上线、不想管基础设施
Chroma	✅ (Apache 2.0)	Python/JS	轻量、嵌入式设计、与 LangChain/LlamaIndex 深度集成	原型开发、本地测试、小项目
FAISS（Meta）	✅ (MIT)	C++/Python	非完整数据库，纯向量索引库	研究、离线批处理、无持久化需求
pgvector	✅ (PostgreSQL 插件)	SQL/Python	直接嵌入 PostgreSQL，事务+向量一体化	已有 PostgreSQL、轻量级向量需求

离线部署

       一种情况，你的部署机器只能访问内网无法访问内容，那么上边的软件的安装过程就是一个复杂的过程

1.离线安装docker

1）访问网址：https://download.docker.com/linux/centos/7/x86_64/stable/Packages/

2）下载安装：

软件	推荐版本（示例）
containerd.io	1.6.33-3.1.el7
docker-ce	26.1.3-1.el7
docker-ce-cli	26.1.3-1.el7
docker-buildx-plugin	0.12.1-1.el7
docker-compose-plugin	2.27.0-1.el7
docker-ce-rootless-extras	26.1.3-1.el7

3）创建目录 docker-offline目录，上传文件

一次性安装，执行命令：yum localinstall -y *.rpm

查看docker的版本：docker version

4） 启动命令

systemctl start docker

systemctl status docker

2.离线安装ollama

不推荐在centos上直接安装ollama， 因为 CentOS 7 上 Ollama 非常容易因 glibc 版本低而无法运行。因此还是走docker安装的思路。

但，上边是来自网上实际装独立版本的ollama也挺顺利的，下边是docker安装过程

*方式一：文件包安装*

不推荐会遇到centos7.9兼容问题，如果在新linux版本上可以尝试，centos7.9试了一下相当麻烦



*方式二：docker 安装*

1）拉取镜像，找个能联网的机器

docker pull dockerproxy.net/ollama/ollama:latest

试了好几个地址都失败，这个可以

2）保存镜像

docker save -o ollama.tar dockerproxy.net/ollama/ollama

-- 下边两步没有验证

3）导入镜像

docker load -i ollama.tar

4）启动镜像（如果要加载模型，参看2.2节启动命令）

docker run -d --name ollama -p 8434:11434 dockerproxy.net/ollama/ollama

3.离线的安装bge-m3（通过ollama）

1）现在联网的windows机器上下载模型

ollama pull bge-m3

2）查看模型是否下载

ollama list

3）上传模型文件（注意这里采用是模型覆盖的方式）

C:\Users<用户>.ollama\models 下拷贝，打包成tar包上传centos机器

4）避免冲突，先停止ollama服务

docker ps

docker stop ollama

5）指定模型文件，并启动docker

docker run -d \

--name ollama \

-p 8434:11434 \

-v /your/offline/.ollama:/root/.ollama \

--restart always \

dockerproxy.net/ollama/ollama:latest

6）验证模型使用

可以用postman配置调用

url:http://10.157.151.206:8434/api/embeddings

body:

{

"model": "bge-m3",

"prompt": "Artificial intelligence is transforming the world."

}

header

content-type:application/json

4.n8n和chroma的安装

通过docker 的离线模式，参见离线安装ollama的方式二