project-nomad
Crosstalk-Solutions/project-nomad加载项目详情…
本应用为开源项目，仅供学习研究，请遵守其开源协议。
微信扫码咨询客服
POMOAI — 让开源 AI 即刻运行
加载项目详情…
本应用为开源项目，仅供学习研究，请遵守其开源协议。
想象这样一个场景：你正在深山徒步，或者身处一场突如其来的灾害现场，手机没有信号，互联网完全中断——但你突然需要查找一份关键的医疗急救指南，或者想确认下一步的求生策略。Project N.O.M.A.D.（Node for Offline Media, Archives, and Data）就是为了解决这个痛点而诞生的：它是一个自包含的离线知识服务器，将 Wikipedia、医学参考、离线地图、教育课程、AI 助手全部打包到一个 Docker 容器中，让你即使在完全没有网络的极端环境下，也能访问人类最宝贵的知识资产。
图1：Project N.O.M.A.D. 项目 Logo
项目由 Crosstalk Solutions 开发维护，目前在 GitHub 上拥有超过 26,000 颗星，Apache-2.0 开源许可。
传统的离线生存工具通常只是简单的文件压缩包或者单点小工具，N.O.M.A.D. 的野心要大得多：它不只是一个工具集，而是一套完整的管理平台（官方称之为 "Command Center"），通过 Docker 容器编排协调十几个不同的开源服务。用户不需要懂得 Docker，只需要运行一行安装脚本，就能得到一个功能完整的"离线生存电脑"。
这种"一键上手 + 底层解耦"的设计哲学非常值得称道。对于普通用户，安装脚本全自动处理所有依赖；对于进阶用户，docker-compose 模板提供了完全的手动控制权。项目明确不收集任何遥测数据（ZERO built-in telemetry），隐私设计非常彻底。
项目分为两大层级：基础层（管理界面 + 数据库 + 核心工具）和工具层（用户按需安装的各类应用）。基础层约 4GB，最低 4GB RAM 即可运行；工具层则弹性很大——如果你只想用 Wikipedia 和地图，可能只需额外 5GB 存储；但如果你要跑本地大模型，官方建议 32GB RAM + RTX 3060 + 250GB SSD。
N.O.M.A.D. 的核心管理后台（admin 模块）基于 AdonisJS v6 构建，这是一个 Node.js 生态中相对小众但质量极高的 Web 框架。AdonisJS 强调"约定优于配置"，内置了 ORM（Lucid）、认证、缓存、验证等全套能力，开发者无需自行组装中间件生态。
选择 AdonisJS 而非更流行的 Express/Koa 或 Next.js，是有深思熟虑的：AdonisJS 的**服务容器（IoC 容器）**天生适合管理多个 Docker 容器的生命周期，TypeScript-first 的设计也保证了大型项目中的类型安全。
前端使用 Inertia.js 配合 Vue 3，这在 AI/工具类平台中并不常见（大多数人会选 Next.js 或 Nuxt）。Inertia.js 的核心思想是"服务端渲染 + 客户端交互"二合一——页面由服务端渲染（SEO 友好），但页面跳转不需要 API 调用，保留了 SPA 的流畅体验。对于 N.O.M.A.D. 这种需要内网部署、不追求 SEO 但对交互体验有要求的场景，非常合适。
构建工具链为 Vite + Tailwind CSS，现代化程度很高，多阶段 Dockerfile 确保生产镜像只包含编译后的资源。
关系数据存储在 MySQL 中，通过 AdonisJS 的 Lucid ORM 管理。文档型内容（如 ZIM 图书馆数据）由 Kiwix 容器独立处理，与主数据库解耦。
AI 助手模块是 N.O.M.A.D. 最具差异化的功能。架构如下：
值得注意的是，AI 模块完全运行在本地，数据不出设备。如果你上传了私人文档，文档永远存储在你自己的硬盘上。这是 N.O.M.A.D. 相比 ChatGPT 等云端方案的核心优势。
用户可以上传 PDF、文本文件，Ollama 将文档分块后存入 Qdrant 向量库。提问时，系统先在向量库中检索相关片段，再将片段注入 LLM 的上下文窗口。这种"先检索、再生成"的 RAG 架构，让本地 LLM 的回答质量大幅提升。
实测下来，一个 7B 参数的模型配合好的 RAG 策略，完全可以回答基于上传文档的特定问题。例如在野外场景中上传急救手册，就能用自然语言询问相关问题。
通过 Kiwix 提供 ZIM 格式的内容包，支持：
ZIM 格式是一种专为离线内容设计的高效压缩格式，可以将整个 Wikipedia 打包到几十 GB 的单个文件中。N.O.M.A.D. 提供了 ZIM 库管理器，支持在线下载和本地管理。
Kolibri 是 Learning Equality 开发的离线教育平台，内置 Khan Academy 的完整课程，支持多用户进度跟踪。适合家庭场景（儿童教育）或野外营地教学使用。
ProtoMaps 提供矢量地图瓦片下载，支持离线导航。N.O.M.A.D. 内置了 go-pmtiles 工具（用于区域地图提取），用户可以选择性下载特定区域的地图数据，非常适合户外探险。
集成 CyberChef（英国 GCHQ 开发的数据处理瑞士军刀），提供 300+ 种数据操作：编解码、加密解密、正则提取、哈希计算等。在没有网络的场景下，这个工具意外地实用。
curl -fsSL https://raw.githubusercontent.com/Crosstalk-Solutions/project-nomad/main/install/install_nomad.sh -o install_nomad.sh && sudo bash install_nomad.sh
脚本会自动安装 Docker、配置存储路径、拉取 Docker 镜像、初始化数据库。安装完成后访问 http://localhost:8080 即可看到管理界面。整个过程约 15-30 分钟（取决于网络）。
对于希望自定义配置的用户，可以手动编辑 docker-compose.yml，设置环境变量（主要是 APP_KEY 和数据库凭证），然后 docker compose up -d 启动。
| 场景 | CPU | RAM | GPU | 存储 |
|---|---|---|---|---|
| 基础运行（无AI） | 2GHz 双核 | 4GB | 不需要 | 5GB+ |
| AI 助手（7B模型） | i5/Ryzen 5 | 16GB | RTX 3060 8GB | 50GB+ |
| 全功能（含所有内容） | i7/Ryzen 7 | 32GB | RTX 3080 12GB | 500GB+ |
官方提供了 150-1000+ 美元的硬件组装指南，覆盖了从树莓派替代品到高配游戏主机的多种选择。
N.O.M.A.D. 默认不包含任何认证层。这意味着如果你在内网中部署，局域网内任何人都能访问所有工具和数据。官方也承认这一点，并在文档中建议使用"网络级别的访问控制"（如路由器防火墙）。
好在项目有公开的路线图，未来可能加入基于角色的权限系统（家庭场景的家长控制、教室场景的老师/学生账号等）。
N.O.M.A.D. 的离线能力主要体现在安装后的使用阶段。但初始安装过程必须联网下载 Docker 镜像和内容包。如果你的使用场景是"灾难发生后立刻需要工具"，那 N.O.M.A.D. 需要提前部署好。
本地运行的 7B-13B 参数模型，在复杂推理任务上与 GPT-4 等云端模型仍有明显差距。Qdrant RAG 能缓解知识覆盖问题，但逻辑推理能力的上限受模型规模限制。
当前版本通过 update_nomad.sh 脚本更新管理容器本身，但各个应用容器（如 Ollama、Qdrant）的更新需要通过管理界面手动操作，缺乏统一的版本管理机制。
N.O.M.A.D. 代表了一个值得关注的方向：本地化 AI 基础设施的民主化。过去，AI 能力=云端 API=成本+隐私风险。Ollama 的崛起让这个等式开始改变——高性能模型可以在消费级硬件上运行，而且完全不依赖网络。
从增长曲线看，项目从 2023 年起步，到 2026 年已有 26,000+ stars，说明"离线 AI"这个细分市场正在快速扩张。同类项目还包括 LocalAI、Ollama 本身、PrivateGPT 等，但 N.O.M.A.D. 是唯一一个将"离线"与"完整知识库 + 教育 + 地图"打包成一站式解决方案的项目。
未来几个值得关注的演进方向：
Project N.O.M.A.D. 是一个极具创意的开源项目，它用 Docker 容器化 + AdonisJS 全栈 + Ollama 本地 LLM 的组合，解决了"如何在断网环境下获取高质量 AI 和知识服务"的真实问题。部署门槛低（一行脚本），功能上限高（可运行 RAG + 本地大模型），隐私设计彻底（零遥测，数据不出本机）。唯一的代价是对硬件有一定要求——但考虑到它所提供的价值，这个门槛是合理的。
如果你正在为团队准备应急通信方案，或者你有户外探险/野外作业的需求，N.O.M.A.D. 值得认真评估。对于 AI 开发者而言，它也是一个优秀的本地 RAG 实验平台，可以随意上传文档、调整模型，完全不受 API 速率和成本限制。