1. 项目概述：基于Ollama的本地网页AI聊天系统
这个项目构建了一个完整的本地网页AI聊天系统，核心是利用Ollama提供的AI模型能力，通过Python Flask框架实现Web界面交互。系统具有用户管理、积分消耗、管理员控制等完整功能模块，适合部署在内网环境或本地开发机使用。
我实际测试发现，这个方案特别适合需要保护数据隐私的场景。相比直接调用云端AI服务，所有对话数据都保留在本地服务器，避免了敏感信息外泄的风险。系统默认采用的qwen2.5:0.8b模型在中文理解和生成方面表现良好，响应速度也令人满意。
2. 系统架构与核心组件
2.1 技术栈选择
项目采用经典的三层架构：
- 前端界面：纯HTML/CSS/JavaScript，无额外框架依赖
- 后端服务：Python Flask框架处理HTTP请求
- AI引擎：Ollama本地服务提供模型推理能力
这种轻量级架构使得系统可以在资源有限的设备上运行（实测树莓派4B也能流畅运行）。我特别欣赏作者对依赖的克制 - 整个项目仅需Flask和requests两个主要Python库。
2.2 核心功能模块
系统包含以下关键功能组件：
- 用户认证系统（注册/登录）
- 积分管理与每日领取机制
- 实时聊天界面
- 管理员控制面板
- 用户封禁系统
数据库使用SQLite3，所有表结构都在Database类的init_db方法中明确定义。这种设计既保证了数据持久化，又避免了复杂的数据库配置。
3. 环境准备与部署步骤
3.1 基础环境配置
首先需要安装Ollama服务：
bash复制# 在Linux/macOS上安装
curl -fsSL https://ollama.com/install.sh | sh
# Windows用户可下载exe安装包
然后下载所需模型（以默认的qwen2.5:0.8b为例）：
bash复制ollama pull qwen2.5:0.8b
提示：模型下载可能需要较长时间（约5-15分钟，取决于网络速度）。建议在部署前提前完成这步。
3.2 Python环境配置
创建并激活虚拟环境：
bash复制python -m venv venv
source venv/bin/activate # Linux/macOS
venv\Scripts\activate # Windows
安装依赖：
bash复制pip install flask requests
3.3 启动服务
先启动Ollama服务（默认端口11434）：
bash复制ollama serve
然后在新终端运行Flask应用：
bash复制python app.py
系统默认监听5000端口，浏览器访问http://localhost:5000即可使用。
4. 核心功能实现解析
4.1 AI聊天功能实现
聊天功能的核心在Ollama类的generate方法：
python复制class Ollama:
def __init__(self, base, model):
self.base = base.rstrip("/")
self.model = model
def generate(self, prompt):
try:
r = requests.post(self.base + "/api/generate",
json={"model": self.model, "prompt": prompt, "stream": False},
timeout=120)
if r.ok:
return {"success": True, "response": r.json().get("response", "")}
return {"success": False, "error": "请求失败"}
except Exception as e:
return {"success": False, "error": str(e)}
关键点说明：
- 使用requests库调用Ollama的API接口
- stream=False表示等待完整响应（适合网页聊天场景）
- 设置120秒超时防止长时间无响应
- 返回结构包含success标志和响应内容/错误信息
4.2 用户积分系统
积分系统通过数据库事务保证一致性：
python复制def deduct_credits(uid, amount):
u = db.fetch_one("SELECT credits FROM users WHERE id=?", (uid,))
if u and u[0] >= amount:
db.execute("UPDATE users SET credits=credits-? WHERE id=?", (amount, uid))
db.execute("INSERT INTO credit_logs(user_id,amount,reason) VALUES(?,?,?)",
(uid, -amount, "AI对话"))
return True
return False
每日积分领取功能通过日期判断防止重复领取：
python复制today = datetime.now().strftime("%Y-%m-%d")
if db.fetch_one("SELECT 1 FROM credit_logs WHERE user_id=? AND reason='每日领取' AND date(created_at)=?",
(u["id"], today)):
return jsonify({"success": False, "message": "今日已领取"})
5. 高级功能与定制建议
5.1 管理员功能增强
系统内置了完善的管理员功能，包括：
- 用户封禁（临时/永久）
- 积分充值
- 在线用户监控
我建议可以扩展以下功能：
- 对话记录审计
- 敏感词过滤系统
- 用户行为分析
5.2 模型切换与配置
在CONFIG字典中可以修改默认模型：
python复制CONFIG = {
...
"OLLAMA_MODEL": "qwen2.5:0.8b", # 可替换为其他模型如"llama2"、"mistral"等
...
}
支持的模型可以通过Ollama命令查看：
bash复制ollama list
5.3 性能优化建议
对于高并发场景，可以考虑：
- 使用gunicorn部署Flask应用
- 启用Ollama的批处理模式
- 实现对话缓存机制
6. 常见问题排查
6.1 Ollama服务连接失败
症状：聊天无响应，控制台报连接错误
解决方案：
- 确认Ollama服务已启动（默认端口11434）
- 检查CONFIG中的OLLAMA_BASE_URL配置
- 测试端口连通性：
bash复制
curl http://localhost:11434
6.2 积分扣除异常
症状：积分未正确扣除或出现负数
排查步骤：
- 检查数据库users表的credits字段类型
- 确认deduct_credits函数被正确调用
- 查看credit_logs表的记录
6.3 用户封禁无效
症状：被封禁用户仍能登录
解决方法：
- 检查kicked_users表的expires_at字段
- 确认login_required装饰器正确应用
- 验证session清理逻辑
7. 安全加固建议
7.1 基础安全配置
- 修改默认管理员凭证：
python复制"ADMIN_USERNAME": "自定义管理员名",
"ADMIN_PASSWORD": "强密码"
-
启用HTTPS（使用Flask-TLS扩展或前置Nginx）
-
限制注册功能（生产环境可能需要邀请码）
7.2 会话安全
- 定期轮换SECRET_KEY
- 设置合理的会话过期时间
- 实现IP绑定防止会话劫持
7.3 输入验证
对所有用户输入进行严格过滤，特别是：
- 用户名注册
- 聊天内容
- 管理员操作参数
8. 项目扩展方向
基于这个基础框架，可以考虑以下扩展：
- 多模型支持：实现前端模型切换功能
- 插件系统：增加计算、搜索等扩展能力
- 知识库集成：连接本地文档实现问答
- 移动端适配：优化响应式布局
我在实际部署中发现，配合nginx反向代理可以轻松实现：
- 多实例负载均衡
- 静态文件缓存
- HTTPS加密
配置示例：
nginx复制server {
listen 443 ssl;
server_name ai.example.com;
ssl_certificate /path/to/cert.pem;
ssl_certificate_key /path/to/key.pem;
location / {
proxy_pass http://localhost:5000;
proxy_set_header Host $host;
}
}
这个项目最令我欣赏的是它的完整性和实用性。从用户管理到积分系统，从普通聊天到管理员控制，功能完备却又保持代码简洁。对于想要学习Flask全栈开发或本地AI部署的开发者来说，是非常好的学习素材。