夜雨聆风上节课我们聊了AI自动化编程，用扣子平台搭智能体，很多同行已经能自己造工具了。
但问题来了——你敢把馆藏文物的高清图片、珍贵的修复档案、未公开的考古发掘记录扔给第三方AI平台处理吗？
这节课，我们来解决一个博物馆人迟早要面对的问题：数据主权。
🔐 为什么博物馆必须重视本地部署
博物馆的数据有几类特殊属性：
文物信息涉及文化安全。 珍贵文物流失、考古遗址坐标、未公开修复工艺……这些数据的泄露风险是真实存在的。
藏品影像版权敏感。 一级文物的超高清数字扫描文件，可能涉及复杂的授权链条，一旦被平台拿去训练模型，版权主张会很被动。
观众隐私数据受保护。 预约记录、讲解器使用轨迹、展览互动数据，这些都涉及个人信息保护法规。
馆际协作需要隔离环境。 借展协议通常要求文物数据在特定网络环境下流转，不能走公网。
所以，本地部署不是极客炫技，是博物馆数据治理的刚需。
🖥️ 本地部署的两条路：API中转 vs 完全离线
本地部署AI有两种主流路径，我分别说说优劣：
方案一：API中转部署
原理： 用Cherry Studio这类客户端，通过API调用云端模型，数据经过本地中转。
优势：模型能力强，网络条件要求低
劣势：数据仍需经过厂商服务器，隐私不是100%保障
适合场景： 日常办公内容处理（公文、策划案、报告），数据敏感度一般。
方案二：完全本地部署（Ollama）
原理： 用Ollama作为"AI操作系统"，把模型完全跑在自己的设备上。
优势：数据100%不出本机，真正意义上的私有化
劣势：需要本地有不错的算力，模型选择受限
适合场景： 文物影像分析、考古数据处理、敏感藏品档案管理。
⚙️ 手把手：博物馆场景的API中转部署
以Cherry Studio为例，这是目前对中文支持最好、功能最全的免费客户端。
第一步：申请API Key
以火山引擎为例（豆包/DeepSeek/Kimi都能调）：
登录火山引擎 → 左侧【API Key管理】→ 创建Key 【开通管理】→ 找到DeepSeek R1 → 开通服务 回到API Key页面，复制你的Key
第二步：配置Cherry Studio
下载：https://cherry-ai.com/
安装完成后：
设置 → 找到你的API平台 → 填入Key → 添加模型
模型ID在火山引擎对应模型的详情页找（通常叫deepseek-ai/DeepSeek-R1）。
第三步：博物馆场景验证
以藏品编目为例，看本地部署后的使用效果：
请分析以下藏品描述，提取其时代、材质、工艺特征，
并判断其与同批次出土文物的关联性。
藏品编号：WD-2024-0156
出土单位：洛阳邙山M3墓群
描述：泥质灰陶，轮制，器表施白衣彩绘，
残存红、黑彩纹样，可辨三角纹与云气纹。
底部有朱书"永安五年"字样。
本地部署后，这段文物描述不会上传到任何服务器，处理过程完全在本地完成。
🗄️ 完全本地部署：Ollama实操
如果你的馆里有一台备用工作站在家，或者机房条件允许，可以试试完全本地部署。
第一步：安装Ollama
Ollama是本地AI的"操作系统"，相当于Docker之于容器：
官网：https://ollama.com
下载对应系统的安装包（Windows/Mac/Linux均有）
安装完成后，你的命令行就变成了AI入口
第二步：下载模型
模型大小决定能力，按需选择：
博物馆常用场景建议：
# 推荐配置（7b模型，平衡性能与资源）
ollama run qwen2.5:7b
# 追求推理能力
ollama run deepseek-r1:7b
第三步：接Cherry Studio，体验升级
命令行不够友好？接回Cherry Studio：
设置 → Ollama → 开启 → 管理 → 自动读取已安装模型 → 添加
然后就能在图形界面里用本地部署的模型了，博物馆老师傅也能轻松上手。
🏛️ 博物馆本地部署的三个核心场景
场景一：藏品修复档案智能整理
博物馆修复部门积累了海量的纸质、电子修复档案。本地部署后可以：
请将这批青铜器修复档案按以下维度整理：
1. 按病害类型分类（锈蚀、变形、断裂、残缺）
2. 标注每件文物使用的修复工艺
3. 总结近三年最常见的病害类型
4. 提取可复用的工艺参数模板
档案来源：[粘贴档案内容或指定文件路径]
场景二：考古发掘记录本地分析
考古发掘数据敏感，本地部署后可以安全地进行：
分析这批田野发掘记录的规律：
1. 第X层出土遗物的年代分布
2. 不同墓葬形制与随葬品的关联性
3. 异常遗物标注（不在预期内的器物类型）
4. 给出后续发掘的注意事项
数据：[粘贴或指定本地文件路径]
场景三：社教活动内容本地生成
宣传教育部经常需要快速生成讲解词、研学手册，本地部署后：
为以下文物撰写面向8-12岁儿童的研学手册小节，
要求：
1. 语言活泼有趣，避免专业术语
2. 包含一个互动小问题
3. 配一个"动手做"小活动
文物：唐三彩骆驼载乐俑
📊 本地 vs 云端：博物馆选型指南
建议：日常内容处理用API中转，敏感文物数据用完全本地部署。
🛡️ 数据安全的底线思维
博物馆做本地部署，有几条红线要守住：
1. 网络隔离是最后防线
即使做了本地部署，如果机器能通外网，仍有数据外泄风险。涉密级数据必须物理隔离。建议做法：涉密数据处理专用电脑平时断开网络，需要更新模型时临时联网，用完即断。
2. API Key不共享
每个需要用AI的同事申请独立Key，不要共用。出了问题可以追溯。建议在Cherry Studio里为不同岗位创建不同的配置。
3. 定期备份本地模型和数据
本地部署的模型文件、本地知识库都要纳入备份体系。模型文件通常3-10GB，可以用移动硬盘定期备份。
4. 访问日志要留存
Cherry Studio、Ollama都有日志功能，关键操作要能溯源。建议每月导出一次日志存档。
5. 权限分级管理
不是所有人都需要最高权限。根据岗位职责设置不同的访问级别：普通馆员只能查阅，部分管理员可以上传/修改珍贵档案。
💡 进阶技巧：本地知识库让AI更懂博物馆
本地部署的真正威力在于知识库。你可以把博物馆积累的各种资料喂给AI，让它成为"懂你馆"的专属助手。
知识库建设三步走
第一步：整理数据源
建议优先入库以下资料：
必选数据：
1. 馆藏文物总目（藏品编号、时代、材质、完残状况）
2. 展览档案（历次展览的大纲、说明牌、新闻稿）
3. 学术研究成果（馆刊论文、研究报告）
4. 标准规范（文物修复操作规程、安全管理规定）
可选数据：
5. 讲解词库（不同展厅、不同受众版本的讲解词）
6. 社教活动方案（往期活动策划与总结）
7. 观众反馈数据（问卷分析、留言整理）
第二步：文档格式化
上传前先做预处理：
格式规范：
1. 优先使用Markdown格式，保持结构清晰
2. 图片命名要有意义（不用IMG_001.jpg这样的名字）
3. 表格数据优先用CSV格式
4. 重要字段用标题标记（如【一级文物】【待修复】）
第三步：配置知识库
在Cherry Studio里：
知识库 → 新建 → 命名（如"本馆藏品档案"）
→ 添加文档或文件夹
→ 设置检索参数（匹配精度、召回数量）
→ 保存
知识库使用示例
假设你馆建设了包含30年展览档案的本地知识库：
请根据我馆近十年的临展数据，分析以下趋势：
1. 哪些朝代/器类的文物最受欢迎
2. 亲子类展览vs学术类展览的参观量对比
3. 给出下一年度临展选题建议（3个方向）
要求：结合具体数据说明
这样问，AI就能结合你馆的真实数据给出分析，而不是泛泛而谈。
🔧 常见问题排查
Q1：Ollama下载模型很慢怎么办？
国内访问GitHub通常限速。可以：
使用代理/VPN 选择国内的Ollama镜像源 先下载到本地，再用 ollama create导入
Q2：模型跑起来很卡？
排查顺序：
1. 确认硬件：内存是否够用（7b模型建议16GB以上）
2. 检查是否在用GPU加速（Nvidia显卡需安装CUDA驱动）
3. 降低模型参数（从14b换到7b）
4. 关闭其他占用内存的程序
Q3：Cherry Studio连接Ollama失败？
检查清单：
1. Ollama是否正在运行（命令行输入ollama，有响应即可）
2. Ollama服务端口是否开放（默认11434）
3. Cherry Studio里Ollama地址是否正确（localhost:11434）
4. 防火墙是否拦截
📝 本讲小结
本地部署解决的是数据主权问题。
对于博物馆来说，这不是一个"要不要用"的问题，而是"用在哪些场景"的问题：
- 文物影像、考古数据、修复档案
→ 建议完全本地部署 - 日常办公内容、策划案、公文
→ API中转足够 - 观众互动数据
→ 视敏感程度选择方案
下节课，我们聊一个更激进的玩法——通用型Agent，让AI自己规划、自己执行任务，真正释放你的双手。
📚 课后作业
作业一：方案设计
假设你馆计划建设一个"AI辅助藏品管理系统"，其中需要集成文物影像识别、修复档案分析、展品推荐等功能。请设计：
哪些模块适合本地部署，哪些适合API？ 数据流向如何设计才能兼顾效率与安全？ 列出你需要的技术条件和人员配置。
作业二：实操验证
在你的工作电脑上安装Cherry Studio，配置至少一个模型（可以先用免费API额度），尝试用它处理一件你日常工作中需要撰写的文档（比如活动总结、藏品说明牌），记录使用体验。