技术就是小甜甜博客

Codex本地部署环境要求解析：WSL2和Win11是关键。Codex必须运行在WSL2环境下，因其依赖Linux生态，而WSL2又需要启用Hyper-V虚拟化平台。相比Win10繁琐的配置流程，Win11提供一键安装WSL2的便利，默认支持Hyper-V，安装成功率和稳定性更高。建议开发者升级到Win11以获得更流畅的Codex部署体验，特别是需要GPU加速或Docker环境的用户。正确的系统选择能大幅减少配置时间，让开发者更专注于代码创作。

本文探讨了企业内网部署本地智能Agent的可行性，分析了不同方案的优劣。企业期望获得既能执行本地任务（如文件操作、脚本执行）又满足数据安全要求的智能助手。OpenHand+Ollama组合虽能实现单机本地化部署，但缺乏多人协作能力。共享目录方案可解决部分协作问题，但扩展性有限。最终转向WebAgent方案，通过集中部署实现模型推理和服务管理，用户通过浏览器交互，在保证安全性的同时提升协作能力。文章建议采用分阶段演进策略，未来可引入客户端辅助Agent增强本地执行能力。

项目推荐值GPU模型运行方式Ollama显存消耗12–14GB系统内存≥ 32GB性能水平适用场景内网 Codex、自动代码生成、私有文档问答、Agent 推理核心💬一句话总结4070 Ti 是 GPT-OSS-20B 的“目标显卡”之一，Ollama 的量化模型能直接跑。结合 OpenHand、Dify、LangChain 等框架，你可以轻松打造一个内网可控、离线安全、可扩展的 AI Agent 平台。

在使用Ollama与OpenWebUI进行局域网LLM部署时，遇到RAG功能效果不佳的情况并不罕见。通过一系列的排查与调整，我们发现问题的根本原因在于向量嵌入模型不适合中文文本。最终，通过更换为专门优化中文的bge-m3模型，我们成功地提升了RAG的效果。

通过这种方式，你不仅可以优化资源管理，还能确保在需要时充分利用 GPU 提高计算效率。