如何免费跑通 100% 本地 AI 助手 AgenticSeek：从部署到实战
项目地址: https://gitcode.com/GitHub_Trending/ag/agenticSeek 你想让 AI 帮你搜网页、写代码、整理文件，又不想把数据交给云端，也不想再为订阅买单。AgenticSeek 是一个 100% 本地运行的开源 AI 代理，装上它，这些活它自己干。
项目速览
🔒 AgenticSeek 是一个 100% 本地运行的 Manus AI 替代品：它能自主浏览网页、编写并执行代码、把大任务拆成步骤逐个完成，还支持语音输入输出。两个核心数据：一是零 API 订阅费用——项目口号就是 "No APIs, No $200 monthly bills"，跑起来只花电费；二是零数据外流，你的文件、对话记录、搜索历史全部留在自己的硬件上，模型也是 Ollama、LM Studio 这类本地服务。
整体架构可以看这张图：你的输入先进入 LLM router，由它分发给代码代理、网页代理或通用代理，最终由本地 LLM 服务执行，全程不出你的机器。
完整说明在项目根目录：英文版 README.md，简体中文版 README_CHS.md，贡献与开发文档在 docs/。
三步跑起来
准备工作：Git、Python 3.10.x、带 Compose V2 的 Docker；想本地跑模型，建议显卡显存 12GB 以上。
第 1 步：拉代码并初始化配置
git clone https://gitcode.com/GitHub_Trending/ag/agenticSeek
cd agenticSeek
mv .env.example .env
第 2 步：启动本地模型服务
装好 Ollama 后启动并拉一个模型（Docker 部署时需要绑定到 0.0.0.0，后端容器才能连上）：
export OLLAMA_HOST=0.0.0.0:11434
ollama serve
ollama pull deepseek-r1:14b
第 3 步：改配置并启动服务
编辑 .env：把 WORK_DIR 指到一个独立的工作目录，注意它不能是仓库根目录，且数据量别超过 20GB。编辑 config.ini：is_local = True、provider_name = ollama、provider_model = deepseek-r1:14b。官方提醒 config.ini 不支持注释，别把 README 里的示例说明一起复制进去。然后：
./start_services.sh full
浏览器打开 http://localhost:3000/ 就是 Web 界面（Windows 用 start_services.cmd full）。
硬件够不够，参考官方 FAQ 的这张表：
| 模型规模 | 显存要求 | 体验 |
|---|---|---|
| 7B | 8GB | 不推荐，幻觉多，规划类任务容易失败 |
| 14B | 12GB（如 RTX 3060） | 简单任务可用 |
| 32B | 24GB+（如 RTX 4090） | 大多数任务可成功 |
| 70B+ | 48GB+ | 高级用法推荐 |
核心能力拆解
任务路由：你不用再手动挑工具
🧭 你输入一句话，路由系统会判断任务复杂度：简单任务直接派给代码代理、网页代理、文件代理或闲聊代理；复杂任务先交给 Planner 生成计划，再逐步执行。源码在 sources/agents/，每个代理的提示词模板在 prompts/，改起来不神秘。
🌐 网页代理：替你上网取信息
它通过内置的 SearXNG 搜索引擎发起搜索，再驱动真实浏览器逐页阅读、提取信息，还能填表单（实验性）。以前是你搜完、复制、粘贴到对话框，现在是它自己完成这一整套。
💻 代码代理：写完就运行，报错就自改
它能写、调试并运行 Python、C、Go、Java 等语言的程序，对应的解释器实现都在 sources/tools/。执行失败时它会读报错信息、修改代码再跑，循环到成功为止——这是它和"只会聊天"的模型最大的区别。
📁 文件代理：管你盘里的文件
在工作目录内，它能搜索、批量重命名、汇总文件信息。所有文件操作被限制在 WORK_DIR 里，这既是能力边界，也是安全边界。
一个真实工作流
场景：你要去法国雷恩出差，想知道那里有哪些口碑好的咖啡馆，最后要一份带地址的清单。
输入（直接抄官方示例）：
Search the web for top cafes in Rennes, France, and save a list of three with their addresses in rennes_cafes.txt.
过程：路由系统识别出这是网页任务，派给网页代理；代理先经 SearXNG 搜索，拿到结果页后逐个打开阅读，由本地 LLM 判断哪些信息有用，最后汇总出三家咖啡馆及地址。
产出：工作目录里多出一个 rennes_cafes.txt，内容就是它整理的清单。全程你只敲了一句话。官方建议：指令里把"做什么、存到哪"说清楚，路由才不容易跑偏。
前后对比
| 对比项 | 用云端 AI 之前 | AgenticSeek 本地部署后 |
|---|---|---|
| 月度费用 | 云端代理服务按订阅收费（官方原话：告别 $200/月账单） | 0 元订阅，只花电费 |
| 数据去向 | 上传第三方服务器 | 文件、对话、搜索全部留在本机 |
| 一次任务的步骤 | 浏览器搜索 → 复制 → 粘进对话框 → 手工整理成文件 | 一句话，代理自己执行到底 |
| 模型选择 | 平台给什么用什么 | Ollama / LM Studio 里任何本地模型 |
| 能力上限 | 多数产品不能替你操作浏览器和文件 | 网页浏览、代码运行、文件操作内置 |
谁适合用、谁先别急
适合：
- 数据不能离机的你——公司文档、个人财务、隐私资料，交给本地代理比上传云端踏实；
- 显存 12GB 以上的显卡用户，想零成本体验本地 AI 代理的完整形态；
- 想读源码学 Agent 架构的人，路由、代理、工具链都是可读的 Python 代码。
先别急：
- 没有独立显卡、想本地跑 32B 级别模型的人——官方 FAQ 明确 7B 都不推荐；
- 期望装完立刻用的人：Docker 镜像下载最多 30 分钟，首次启动后端约 5 分钟，浏览器环境（ChromeDriver）还可能要单独处理；
- 需要完全稳定产品的人——项目自述是早期原型，路由偶尔会分错代理，表单填写仍是实验功能。
高频问题
1. 服务启动了但页面没反应？ 首次运行要先拉全部 Docker 镜像，可能长达 30 分钟。耐心等后端日志出现 GET /health HTTP/1.1 200 OK 再发消息，首次启动后端本身也要约 5 分钟。
2. 浏览器报错 ChromeDriver 版本不匹配？ 去 Chrome for Testing 下载与本机 Chrome 主版本号一致的 ChromeDriver，放到项目根目录命名为 ./chromedriver，程序会自动识别。
3. 代理不按我的意思办 / 搜索没结果？ 两件事：指令要显式（别说"你知道哪些适合独自旅行的国家吗"，要说"做一个网页搜索，找出……"）；确认 .env 里 SEARXNG_BASE_URL 与运行模式匹配——Docker 模式用 http://searxng:8080，CLI 模式用 http://localhost:8080，改完要重启后端才生效。
觉得有用的话，给仓库点个 Star，完整配置项和故障排除都写在 README_CHS.md 里，项目 Discord 社区也可以直接找作者提问。
创作声明：本文部分内容由AI辅助生成（AIGC），仅供参考
