ARTICLE · 1163427
手把手:把一整套 AI 助手平台装进你自己服务器
上周有读者问我：公司安全部门开始查"谁把代码贴给了外部 AI"，他手上那套 AI 助手是不是得换了。
我跟他说：能换，而且比你想的简单。腾讯云把一整套 AI 助手平台开源了，MIT 协议，一个 Python 进程跑在你自己的机器上——所有对话、文件、凭据，全在 ~/.octop 这一个目录里。
我把从零到跑通的完整过程，连同一路上卡住的每一个坑，都记在下面了。顺利的话十分钟，卡住了就翻我的踩坑记录。
一、先说为什么这事突然重要了
不是所有人都需要一个更强的云 AI，很多人需要一个"可控的" AI。具体是三种人。
1）数据合规。 越来越多的公司开始明确禁止把代码、客户资料、合同贴给外部 AI。这不是过度谨慎，这是没法回避的现实。
2）平台绑定。 你在某个云 AI 上攒了半年提示词、知识库、工作流，想换平台？基本等于重来。
3）团队共用难。 一个人用随便哪个聊天工具都行；但要"团队共用一套带权限、带知识库、带定时任务的 AI 工作台"，市面上的选择要么贵，要么数据还得放在别人那。
这三种需求，指向同一个词：数据主权。
二、先看清它到底是个什么东西
先纠正一个预期。Octop 不是"又一个聊天界面"。
我把它拆开看了一遍——1994 个文件、184 个依赖包——它实际上是一条完整的 Agent 技术栈：
这一层层叠起来，你可以把它理解成"一个自带治理和成本账本的 AI 员工团队"。打开"专家"页，那 49 个中文子智能体是实际存在的——HR、法务、供应链这些角色都有现成模板。
顺带一个我觉得最值得说的发现：在 PyPI 的官方元数据里，Octop 的摘要原文是 "built on harness-agent"，依赖里明明白白列着 harness-agent、harness-gateway、harness-memory、harness-browser。
也就是说——它是用一套通用的 Agent 脚手架搭出来的成品。 如果你正在学 Agent 开发，这基本是一份"我教的底座，被拿去做成了完整产品"的活教材。
为什么先讲这个？ 因为自托管真正的门槛，从来不是"部署一个应用"，而是"部署一整套技术栈"。正常你得自己拼编排、拼可观测、拼知识库、拼入口、拼 IM 机器人……而 Octop 把这套栈压成了一个进程、一个数据库、一个控制台。
这才是它值得你花十分钟的原因。
三、手把手：把它装进你自己的机器
环境要求：Windows / macOS / Linux 均可，Python 3.12+。
⚠️ 一个前提：别用系统 Python，也别污染你现有的环境。 第一步就是建独立环境。
Step 0 · 先把安装器换掉（第一个坑）
如果你照着 `pip install octop` 去装，大概率会卡住。我实测过一次：pip 跑了 16 分钟还在解析依赖，环境里一个包都没落地。
原因不复杂：它有 52 个直接依赖，版本还卡得很死（pydantic、langchain-core、mcp 都有严格区间），老 pip 解析器在这种约束下会指数级回溯——就是你看到 CPU 一直转、但它什么也没干。
解法：改用 uv，解析速度是另一个量级。
Step 1 · 安装（这里还有两个坑）
坑一：卡在拉包 = 网络。 国内直连 PyPI 经常走不动，加个镜像就顺了（阿里云的实测响应最快）：
坑二：oss2 构建失败。 它是纯源码包（阿里云 OSS SDK），会和另外两个包在同时编译时互相打架。报错的话，先单独把它装上，再重跑上面的命令：
我最终的实测数字：解析 199 个包、安装 184 个，装完执行 octop --version 输出 octop v1.0.1。
（52 个直接依赖 → 实际 199 个包，这就是它的"体感重量"。）
Step 2 · 初始化
它会问你三件事——注意，界面是英文的：管理员用户名、密码、显示名。就这些，没有想象中复杂的向导。结束时输出：
⚠️ 千万别加 --force。 它会把整个 ~/.octop 目录删掉重建，所有数据一起没。
💡 一键部署提示： 做演示或批量装机时，可以用环境变量预设管理员账号走非交互模式——这是我后面在企业里做 Demo 提速的关键。
Step 3 · 起服务
然后浏览器打开 http://127.0.0.1:8088。
注意这里是 8088，不是常见的 8080。这一个进程同时提供 Web 控制台、命令行、IM 通道和定时任务——不用你再起一堆服务。
Step 4 · 登录（有个小惊喜）
登录页有个滑块验证码，得把它拖到最右边，登录按钮才会亮。
进了控制台，左侧就是完整的产品地图：
对话 ／ 专家 ／ 自动化 ／ Token 统计
设置 → 个性化：通道、连接器、技能包、知识库
设置 → 控制：工作台、远程桌面、ACP
设置 → 管理：用户、模型、存储、插件、安全防护
"用户""安全防护""Token 统计"这三个菜单，就是企业采购最关心的三件事——它默认就摆在那儿。
Step 5 · 彩蛋：它能把活派给别的 AI
进 设置 → 控制 → ACP，这里可以配置外部编程 Agent Runner（比如 Claude Code、Cursor CLI 这类工具）。
意思是：你可以直接在对话里，把一段开发任务委派给另一个 coding agent 去干。一个平台，既是助手，又是调度台。
到这里，你已经有一套跑在自己机器上的 AI 助手平台了。
四、它和你现在用的东西，差在哪
vs 商业托管方案（比如 WorkBuddy 这类）：
关注「程序员秋天」
扫码关注「程序员秋天」，完整版在星球里
vs Open WebUI / LobeChat：后两者解决的是"一个人怎么舒服地聊天"；Octop 解决的是"一个团队怎么共用一套带权限、带知识库、带定时任务的 agent"。
一句话：一个是聊天前端，一个是工作台。
再补一个给"团队级"读者的数据——腾讯同期还开源了 TeamAI，思路是把团队技能、规范、知识放进 Git 仓库统一管，再同步到每个人的 agent。他们内测的一个结果很有意思：接入了团队知识的低成本模型，反超了没接入的高规格模型，综合评分更高、成本降了七成多。
这背后其实是一个更重要的结论：对团队来说，"喂对了知识"比"用更贵的模型"更值钱。
五、说点实话：它现在还给你不了什么
我不想只讲好话，四条要提前知道。
1）它是 1.0，而且是新手。 三个多月前才建仓，GitHub 上现在有 738 个 open issue。能用，但别当核心生产系统。
2）"多用户隔离"是应用层隔离，不是加密保险箱。高敏感场景要额外做数据分库或独立实例。
3）评测这块比较薄。 它给了你"观测"（能看到 agent 跑了什么），但没看到成体系的输出质量评测——企业真要交付，这块得你自己补。
4）Token 统计有了（还能导出 Excel），但没看到预算硬门禁。谈成本治理时，别默认它能自动止损。
说白了：官方给了你"能做什么"，而"什么时候别用、缺的怎么补"，得你自己心里有数。
六、什么时候你该装它
该装：
- 数据不能出内网
- 想长期自持一套 AI 工作台，不被平台绑
- 小团队要共用（要权限、要知识库、要定时任务）
- 想把它塞进飞书 / 钉钉 / 企微的工作流
不该装：
- 只是想聊天
- 没有机器，也不想运维
- 追求开箱即用
最后留一个判断框架，比记命令更有用：
AI 工作台就两种形态——托管买的是便利，自托管买的是主权。选哪个，取决于你的数据有多贵。
————————————
📌 下篇预告
下一篇：《多智能体越贵越好？我扒了 1000 个 AI 智能体并行的真相》
厂商说找 bug 快 2.4 倍，独立研究说贵 5 倍——到底听谁的？
⚠️ 踩坑清单（这篇没细说的 5 条）
1）octop init --force 会清空整个 ~/.octop，别手滑
2）pip 装不动就换 uv，别再耗时间
3）国内拉包装不动，先换阿里云镜像
4）oss2 构建失败，先单独装它再重跑
5）"多用户隔离"是应用层隔离，不是加密保险箱
🎓 课与文对比
本文是训练营《AI 工作台实战》「自托管部署」一节的免费预习版；
训练营里会带你把 IM 通道、定时任务、团队知识治理全部接起来。
🎁 限时福利
公众号回复【自托管】，领《自托管 AI 工作台·装机速查卡》免费版（装机命令链 + 3 条总则 + 5 个高频坑）+ 免费交流群入口。加下面的v，拉你进群。
想要更全的？回复【完整版】看完整模板包：三平台装机脚本 + 21 条命令清单 + 14 条报错速查。
💬 聊两句
你会把公司数据交给云端 AI，还是自己搭一套？评论区说说你的选择。
————————————