tva
← 洞察

构建可进行网络搜索的本地 AI 助手：MCP + Ollama 配置

如何将本地语言模型与网络搜索功能相结合，同时保护您的数据隐私

为商业用途配置 AI 工具，通常意味着在便利性和隐私之间做选择。云端方案使用方便，但会将您的数据发送到外部。本地方案把数据留在自己的机器上，但安装和扩展功能可能更复杂。

本文介绍一种兼顾两者的实用 AI 配置：本地语言模型在需要时可以搜索网络，同时将对话和处理过程留在您自己的硬件上。这与我们的自托管理念一致，就像此前介绍的运行自己的 n8n 自动化平台，让您完整掌控工作流。

我们使用的工具

先了解各个组件的作用：

Ollama：本地 AI 引擎

Ollama 是在您自己的电脑上运行大语言模型的软件。您可以获得类似 ChatGPT 的能力，而无需将任何内容发送给 OpenAI 或其他云服务商。它负责下载模型、管理内存，并通过简单的 API 提供模型服务。

核心优势是使用本地模型时，所有内容都留在本地。您的问题、AI 的回答，以及所有处理过程，都完全在您自己的机器上完成。对于敏感业务讨论、专有信息，或只是希望避免每月 AI 订阅费的情况，这一点都很重要。

Model Context Protocol（MCP）：扩展能力

语言模型擅长对话和推理，却无法独自浏览网络、读取文件或与其他系统交互。Model Context Protocol（MCP） 通过标准化方式，让 AI 模型能够访问外部工具，从而解决这个问题。

可以将 MCP 理解为 AI 模型与其他软件之间的通用翻译器。希望 AI 搜索网络？有对应的 MCP 服务器。需要读取数据库？可以使用另一种 MCP 服务器。它的便利之处在于，配置好协议后，添加新能力会简单得多。

mcphost：可靠连接

这里开始进入实际配置。MCP 是标准，但仍需软件将本地 AI 模型真正连接到 MCP 服务器。mcphost 正是用于这项工作，而且表现良好。

我们最初尝试过其他方案，例如 ollmcp，却不断遇到连接超时和配置问题。mcphost 使用明确的配置文件，而不是尝试自动发现所有组件，因此在实际使用中能够可靠运行。截至 2026 年 10 月，mcphost 仓库已归档，维护者将 Kit 列为其后继项目；下方命令仍然针对 mcphost。

DuckDuckGo MCP 服务器：注重隐私的网络搜索

网络搜索方面，我们使用 DuckDuckGo MCP 服务器。它让本地 AI 通过 DuckDuckGo 搜索网络（服务器查询的是 DuckDuckGo 的 HTML 搜索端点，而非官方 API）。DuckDuckGo 的隐私政策声明，该服务不会追踪用户或保存搜索历史。这与注重隐私的本地配置相辅相成。

uv：Python 环境管理

uv 是快速的 Python 包管理器，负责创建隔离环境和管理依赖。我们用它独立运行 DuckDuckGo MCP 服务器，避免影响系统上的其他 Python 项目。

各组件如何协同工作

当您让本地 AI 搜索信息时，流程如下：

  1. 您输入问题，例如“搜索电子商务法规的最新进展”
  2. mcphost 接收消息，并将其转发给本地 Ollama 模型
  3. 模型识别出需要搜索，通过 MCP 协议调用 DuckDuckGo MCP 服务器
  4. MCP 服务器搜索 DuckDuckGo 并返回结果
  5. 本地模型处理搜索结果，给出完整回答
  6. 除实际发送的网络搜索查询外，所有内容都留在您的机器上

实际配置步骤

准备基础环境

首先，需要运行 Ollama，并使用支持工具调用的模型。我们推荐 qwen3:30b-a3b，它在能力与速度之间取得了良好平衡：

# Install and start Ollama
ollama pull qwen3:30b-a3b
ollama serve

安装 mcphost

mcphost 用 Go 编写，因此需要先安装 Go：

# On macOS
brew install go

# On Ubuntu/Debian
sudo apt install golang-go

# Install mcphost
go install github.com/mark3labs/mcphost@latest

# Make sure it's in your PATH
export PATH=$PATH:$(go env GOPATH)/bin

配置 DuckDuckGo 搜索

克隆并配置 DuckDuckGo MCP 服务器：

git clone https://github.com/nickclyde/duckduckgo-mcp-server
cd duckduckgo-mcp-server
pip install uv  # if you don't have it
uv sync

可正常运行的配置

在 ~/.mcphost.json 创建配置文件：

{
  "mcpServers": {
    "duckduckgo-search": {
      "command": "uv",
      "args": [
        "run",
        "--directory",
        "/path/to/your/duckduckgo-mcp-server",
        "python",
        "src/duckduckgo_mcp_server/server.py"
      ]
    }
  }
}

将 /path/to/your/duckduckgo-mcp-server 替换为您克隆该仓库的实际路径。

使用新的 AI 助手

所有组件运行后，您可以通过几种方式与 AI 交互：

交互式对话

# Start a conversation
mcphost -m ollama:qwen3:30b-a3b

这会提供一个聊天界面，支持持续对话，并在需要时请求网络搜索。

一次性提问

# Get a quick answer
mcphost -m ollama:qwen3:30b-a3b -p "Search for information about EU data privacy laws"

自动化脚本

# Save results to a file
mcphost -m ollama:qwen3:30b-a3b -p "Search for competitors in the bowling equipment market" --quiet > research.txt

这套配置能做什么

研究与事实核查

让 AI 搜索与业务相关主题的最新信息。使用 DuckDuckGo，意味着您可以获得不错的网络搜索结果，同时避免被追踪。

内容研究

“搜索可持续包装的最新趋势”可以获得最新信息，模型随后结合训练中学到的知识进行分析和总结。

竞争情报

“搜索关于[竞争对手名称]的新闻，并总结其近期活动”可以提供最新信息，而无需与云端 AI 提供商分享您的分析；搜索查询本身仍会发送到 DuckDuckGo。

解决技术问题

“搜索 API 速率限制问题的解决方案”可以帮助您找到最新最佳实践和代码示例。

连接 n8n：让工作流自动化与 AI 结合

这里可以进一步扩展应用。正如此前介绍的自托管 n8n 实现工作流自动化，这套本地 AI 配置也可以集成到自动化工作流中。

例如，通过 n8n 工作流触发本地 AI：

  • 自动化研究：每日运行工作流，搜索行业新闻并汇总摘要
  • 内容生成：根据日历事件或表单提交触发内容创建
  • 数据分析：自动处理上传的文档，并利用 AI 提取洞察
  • 客户支持：由本地 AI 先处理支持工单，再交由人工审核

自托管 n8n 与本地 AI 组合成一套强大的自动化技术栈，除了助手发送到外部的网络搜索查询，数据都留在您的基础设施内。您既获得自动化的便利，也能对数据拥有更多控制权。

未来的集成方式

我们正在探索几种连接这些系统的方式：

  • 本地 AI 提供可供 n8n 调用的 HTTP 端点
  • 基于文件的集成：由 n8n 触发 AI 处理文档
  • 数据库工作流：将 AI 结果接入自动化业务流程
  • 邮件自动化：由本地 AI 辅助起草回复并进行个性化调整

就像我们的 WordPress 自动化工具能简化内容管理，将本地 AI 与 n8n 工作流结合，也能在保持数据主权的同时，将复杂业务流程自动化。

实际优势

有实际意义的隐私保护

您的业务对话、内部讨论和战略思考都留在自己的硬件上。只有网络搜索查询会发往外部，发送给注重隐私的 DuckDuckGo。这些查询不会包含完整对话，但查询文本本身可能透露您正在处理的事项，因此涉及敏感话题时需要留意。

无需每月支付订阅费

完成初始配置后，就没有持续的 AI 订阅费或按 token 计费的费用，但硬件、电力及使用的托管服务仍有成本。所有组件都运行在您自己的硬件上，就像自托管 n8n 可以免去昂贵的 SaaS 工作流工具费用一样。

可靠的运行表现

配置正确后，这套系统运行相当稳定，不再遇到“AI 服务宕机”或“达到本月用量上限”的问题。

可定制、可扩展

希望添加数据库搜索、文件读取或自定义业务逻辑？MCP 生态让新增能力变得简单，未来与 n8n 工作流集成，还能带来广泛的自动化可能。

常见问题与解决方法

“Command Not Found”错误

确保 Go 二进制文件所在目录已加入 PATH：

echo 'export PATH=$PATH:$(go env GOPATH)/bin' >> ~/.zshrc
source ~/.zshrc

连接超时

通常意味着 MCP 服务器未能正常启动。可以手动测试：

cd /path/to/duckduckgo-mcp-server
uv run python src/duckduckgo_mcp_server/server.py

模型不响应工具调用

确保使用支持函数调用的模型。并非所有 Ollama 模型都内置这种能力。

运行缓慢

如果硬件资源有限，可以考虑使用更小的模型，例如 qwen3:8b。降低温度参数会让回答更聚焦，但它控制的是随机性，而非速度：

mcphost -m ollama:qwen3:8b --temperature 0.3 -p "your question"

基础设施考量

如果您已经运行 n8n 等自托管服务，可以考虑在同一基础设施上部署这套系统。此前介绍的在 Hetzner Cloud 上部署 n8n 的配置，也能轻松容纳 Ollama；只是需要为语言模型增加 RAM 和 CPU 资源。

典型配置可能包括：

  • Hetzner CCX42 或类似实例，提供较大模型所需的资源（仅 qwen3:30b-a3b 的下载大小就达 19 GB；没有 GPU 时，需预期响应较慢）
  • Docker 容器化，便于与 n8n 一起管理
  • Traefik 反向代理，提供安全访问（如需远程访问）
  • 共享存储，用于模型和工作流数据

值得投入配置时间吗？

如果您经常将 AI 用于业务任务，并且重视隐私，答案是肯定的。初始配置需要几小时，但最终获得的 AI 助手具备以下能力：

  • 可离线工作（网络搜索除外）
  • 不会将您的对话发送给第三方（只有搜索查询会发送到 DuckDuckGo）
  • 配置完成后，没有 AI 订阅费或按 token 计费的费用（硬件、电力和托管服务仍有成本）
  • 可按需扩展其他能力
  • 可与现有自托管基础设施集成

对于处理敏感信息或在受监管行业运营的团队，这套配置不会将对话交给云端 AI 提供商，有助于简化合规工作；但您仍需评估自身环境，包括发送到外部的搜索查询。

本地处理与选择性网络访问相结合，在能力和隐私之间取得了实用的平衡，单纯的云端或本地方案都难以做到。再加入工作流自动化，您就能为复杂的业务自动化建立基础，并始终掌握控制权。

接下来是什么？

我们正在推进本地 AI 配置与工作流自动化平台之间更深入的集成。后续文章将介绍：

  • 用于 n8n + Ollama 组合部署的 Docker 配置
  • 面向业务专属数据源的自定义 MCP 服务器
  • 利用本地 AI 处理常见业务流程的工作流模板
  • 用于生产部署的安全加固

业务自动化的未来，不只是连接现有服务，更是建立能够推理、研究并代表您执行操作的智能系统，同时让一切始终处于您的控制之下。

如果您在配置过程中遇到问题，或希望为具体使用场景扩展这套配置，我们可以通过常规支持渠道协助排查。

相关洞察

延伸阅读

2026 年本地 AI 助手：Ollama、MCP 与可靠的工具边界

使用 Docker 构建多租户开发栈：可扩展客户部署的完整配置

Google Ads API：环境搭建、认证、读取与写入操作