绿联NAS+Coze实现私有AI Agent+RAG自由,打造本地化智能知识引擎

还在担心 Coze 云端服务的隐私问题?羡慕别人有专属 AI 助手,却不知道怎么部署整套服务?不确定自己为何需要一台 NAS?

今天不仅教会你如何利用手边的绿联 NAS通过 Docker 轻松部署完全属于你的私有 Coze 平台,也会在结尾探讨 绿联 NAS + 本地 Coze 的广阔应用场景!

一、准备工作:磨刀不误砍柴工

  1. 硬件要求:
  • 设备型号:兼容Docker的主流型号,如DXP系列等,本文章使用设备DXP4800 Plus
  • 内存大小:NAS内存 >= 8GB (16GB或以上更佳,流畅运行)
  • 存储空间:>=10GB(Coze涉及第三方工具和框架使用)

本文章所使用设备

  1. 软件要求:
  • NAS系统版本:本篇设备版本号 1.7.0.3125
  • Docker 服务: 确保已在绿联NAS应用中心安装并启用Docker应用并更新至最新版
  • 文本编辑器:主要用于源码下载后的修改
  • SSH 访问 : 开启绿联NAS的SSH功能,通过官方的docker部署文件其实也可不开启部署,但本篇文章为了更灵活的部署,采用SSH方式
  • SSH工具:本篇主要使用XTerminal工具(也可用其他,Mac用户可用自带终端程序)

二、核心实战:绿联NAS Docker部署Coze(真正手把手,步步有截图)

  1. 使用SSH登录绿联NAS(需确认已开启SSH功能)
css 复制代码
ssh -p 22 用户名@IP地址

-p:NAS开启SSH的端口号 用户名:NAS设备中的用户名称 IP地址:NAS的局域网IP地址

使用SSH登录NAS设备的SSH命令格式

输入对应的用户名密码

注:密码输入时不会显示,只需要按照实际登录的用户密码输入后回车即可

  1. 登录成功后,可使用"ls"确认命令是否正常

例如这里可以看到我有一个名为AI的文件夹

  1. 目录准备

为了操作方便并与本文的操作保持一致,可按照本文的"个人文件夹"下的目录级别进行准备:个人文件夹>AI

  1. 确认必要环境
  • 当前用户需要是管理员角色用户
  • 使用git -v命令看是否能看到对应版本号

若不能看到,需要使用以下步骤进行安装:

  • 首先,需要切换到root权限,切换时需要输入密码

    sudo su

  • 其次,使用命令更新包内容(该过程速度取决于网速和外部网络连接情况,网上有很多优化、加速办法,这里不过多讲述)
sql 复制代码
apt update

更新完可看到Done等内容

  • 再次,使用命令安装git(也有其他方式安装,这里只讲述apt方式)

    apt install git

本文设备已安装过git,所以是以上截图示例,正常流程安装过程无报错、安装结束后可以使用git -v命令确认是否正常看到版本号即可。

  1. 进入我们准备好的AI目录
bash 复制代码
cd AI
  1. 下载Coze官方代码(此过程需要去github获取源码,开源地址:github.com/coze-dev/co...
bash 复制代码
git clone https://github.com/coze-dev/coze-studio.git
  1. 修改基础配置(在绿联NAS页面操作即可)
  • 将"个人文件夹>AI>coze-studio>backend>conf>model>template"文件夹中的"model_template_ark_doubao-seed-1.6.yaml"文件复制到"个人文件夹>AI>coze-studio>backend>conf>model"目录中,并重命名为"ark_doubao-seed-1.6.yaml"
  • 双击编辑"ark_doubao-seed-1.6.yaml"文件,主要修改3处:id、api_key、model

id可以从1开始,方便以后更多大模型的增加

火山引擎-方舟大模型平台的API KEY获取地址:console.volcengine.com/ark/region:...

  1. 运行coze
  • 首先我们回到SSH工具页面,并进入到"个人文件夹>AI>coze-studio>docker"目录中
  • 执行启动命令 并 等待命令运行结束(设备的配置、网络环境 决定此步骤整体速度)

    docker compose up -d

若过程中出现以上错误提示,可以重新再次执行该命令

  • 启动后,访问"NAS的IP地址:8888"即可
  • 让我们创建一个应用和工作流试试是否能正常运行

选择创建应用

随便填一下应用名称和介绍

  • 创建一个简单的工作流
  • 在工作流中插入一个大模型节点
  • 将开始、大模型、结束三个节点连接到一起
  • 修改大模型节点相关配置
  • 修改结束节点相关配置
  • 试运行,看看是否正常
  • 试运行后,Coze工作流开始工作
  • 运行结束,看到大模型正常输出内容

三、释放私有AI的无限可能

先说一句话结论:私有文档不再只被'读懂' ,而 数据锁在绿联NAS里 的Coze 工作流是真正让私有化AI为你干活。

  1. 使用Coze官方提供的插件

在这里,Coze官方在开源版本中提供了一部分大模型插件(FuncationCall),例如:什么值得买,就可以通过大模型进行今日服装穿搭推荐等

  1. 自行开发更多插件实现各场景、业务的串联

例如:自动生成公众号文章(后续将会专门写一篇自动化运营公众号文章教程)

  1. 私有化RAG知识库搭建

由于Coze提供了工作流、插件等等能力于一体,当 RAG 知识库被嵌入 工作流(Workflow) 后 系统升级为 "感知-决策-执行"的自主智能体:

  • 知识库检索 → 理解问题背景
  • 工作流逻辑判断 → 决定后续动作
  • 调用工具/API → 执行复杂任务

有了工作流的RAG可以说是开启了RAG 的"超级模式",在此,本文也列出一些对比:

能力 传统 RAG 知识库 Coze 知识库 + 工作流
动态决策 ❌ 仅生成答案 ✅ 根据检索结果触发不同工作流分支
多工具协同 ❌ 无 ✅ 可调用 API/数据库/插件
自动化闭环 ❌ 问答即结束 ✅ 自动执行后续任务(如发邮件/工单)
复杂任务处理 ❌ 仅限单轮问答 ✅ 支持多步骤长流程任务
实时数据整合 ❌ 依赖静态知识 ✅ 可融合实时数据(如天气/股价)

例如:用户问 "我的订单 #123 为什么延迟了?"

传统RAG流程:

结合了工作流、插件等能力的Coze RAG:

结合该案例对比下来:

  • 从 被动检索 到 主动执行(API 调用 + 自动操作)
  • 从 静态回复 到 动态决策(实时状态 + 条件分支)
  • 从 信息交付 到 服务闭环(补偿发放 + 人工转接准备)

四、常见问题

  1. docker 启动若出现 no service selected提示:由于docker的不同版本可尝试使用以下命令
arduino 复制代码
docker compose --profile "*" up -d
  1. docker compose up后,coze-server报错lark_sheet.yaml解析失败无法启动
  1. 模型配置文件中正确设置了禁用思考但模型仍然进行了思考

  2. 端口冲突无法启动:

可修改docker中对应无法启动的容器端口,例如MySQL的NAS映射端口从3306改为33060或其他端口

五、结尾:

  1. 目前Coze的开源版本仍在不断更新迭代升级中,遇到无法部署、更换模型等问题可私信给我。
  2. 其中大模型对接部分,若不想使用线上豆包等模型,可以配置成本地大模型调用地址
  3. 欢迎与我探讨更多AI+NAS的业务场景
  4. 未来内容预告
  • 绿联NAS+本地Coze+RAG 打造私有化工具利器
  • 绿联NAS+本地Coze进行公众号内容运营
相关推荐
Debroon17 分钟前
大模型幻觉的本质:深度=逻辑层次,宽度=组合限制,深度为n的神经网络最多只能处理n层逻辑推理,宽度为w的网络无法区分超过w+1个复杂对象的组合
人工智能·深度学习·神经网络
星夜Zn1 小时前
生成式人工智能展望报告-欧盟-04-社会影响与挑战
论文阅读·人工智能·大语言模型·发展报告·ai社会影响
余俊晖1 小时前
图像、视频、音频多模态大模型中长上下文token压缩方法综述
人工智能·音视频
LetsonH1 小时前
⭐CVPR2025 FreeUV:无真值 3D 人脸纹理重建框架
人工智能·python·深度学习·计算机视觉·3d
蹦蹦跳跳真可爱5891 小时前
Python----大模型(大模型微调--BitFit、Prompt Tuning、P-tuning、Prefix-tuning、LORA)
人工智能·python·深度学习·自然语言处理·transformer
小杨勇敢飞2 小时前
大语言模型的解码策略:贪婪解码与波束搜索
人工智能·语言模型·自然语言处理
喵王叭2 小时前
【大模型核心技术】Agent 理论与实战
人工智能·langchain
golitter.2 小时前
pytorch的 Size[3] 和 Size[3,1] 区别
人工智能·pytorch·python
乙真仙人2 小时前
数据,正在成为AI大模型最后的护城河
大数据·人工智能·数字化
eric-sjq2 小时前
基于深度学习的图像到文本序列转换技术
人工智能·深度学习