本地大模型微调/推理环境（ollama + open-webui + LLaMA-Factory）

场景

你刷到了很多「本地跑大模型」的文章，想自己动手：把模型下载到电脑上，像用 ChatGPT 一样在浏览器里和它聊天，甚至微调一个自己的模型。但真正动手时发现全是坑：模型下不下来（连官方源超时）、不知道先装什么、装完不知道在哪打开、显卡/内存够不够也不清楚。

本组合包把这条路走通：ollama 负责模型下载与运行（一行命令跑模型，提供 OpenAI 兼容 API），open-webui 给你一个浏览器里的聊天界面，LLaMA-Factory 做本地微调。装完之后你得到的是：一个可以断网使用的本地聊天环境、一条把任意 HuggingFace/ModelScope 模型变成 ollama 模型的通路，外加一个本地知识库（RAG）：把文档喂给 open-webui，让它基于你的资料回答（2026-08-30 实测全链路）。

组合成员（4）

ollama（模型下载与运行底座）

下载：官方 https://ollama.com/download（install.sh / Windows 安装器 / macOS dmg）；Linux 二进制 = GitHub Release 资产 `ollama-linux-amd64.tar.zst`（国内走 gh-proxy 前缀）
版本要求：>= 0.33.2（2026-08-29 最新 v0.33.2；旧版本 < 0.30 的 API/模型兼容性差，建议直接最新）

# Linux（官方脚本；国内 GitHub 直连慢时改用下方手动路径）
curl -fsSL https://gh-proxy.com/https://github.com/ollama/ollama/releases/latest/download/install.sh | sh
# 或手动：下载 tar.zst 解压（需 tar --zstd 或 zstd 工具）
curl -sL -o /tmp/ollama.tar.zst https://gh-proxy.com/https://github.com/ollama/ollama/releases/latest/download/ollama-linux-amd64.tar.zst
mkdir -p /tmp/ollama-bin && tar --zstd -xf /tmp/ollama.tar.zst -C /tmp/ollama-bin
/tmp/ollama-bin/bin/ollama --version   # 预期输出: ollama version 0.33.2

工具手册 →

open-webui（网页界面）

下载：官方 Docker 镜像 `ghcr.io/open-webui/open-webui`（GitHub latest v0.11.3，2026-08-31 发布，无 release 资产 = Docker/pip 形态）；国内 ghcr 拉不动走 ghcr 镜像（ghcr.nju.edu.cn，2026-08-30 拉取实测 + 2026-09-01 插件域复测）
版本要求：>= 0.11.1（Docker tag 建议 `:main` 跟随最新；pip 形态硬性要求 Python 3.11~3.12，实测 3.14 装不上）

docker run -d -p 3000:8080 --add-host=host.docker.internal:host-gateway \
    -v open-webui:/app/backend/data --name open-webui --restart always \
    -e ENABLE_SIGNUP=true \
    -e RAG_EMBEDDING_ENGINE=ollama \
    -e RAG_EMBEDDING_MODEL=nomic-embed-text \
    ghcr.nju.edu.cn/open-webui/open-webui:main
# 国内镜像：直接写 ghcr.nju.edu.cn（2026-08-30 实测拉取成功，镜像 7.16GB）；官方 ghcr.io 慢时同前缀替换

工具手册 →

LLaMA-Factory（本地微调工具）

下载：官方 PyPI（PyPI 包名 llamafactory；源码 GitHub hiyouga/LlamaFactory，最新 tag v0.9.5，2026-08-29）；国内用清华镜像
版本要求：>= 0.9.5（Python >= 3.10；需 PyTorch 2.x，CUDA 版需先装对应 torch 轮子）

pip install llamafactory --index-url https://pypi.tuna.tsinghua.edu.cn/simple
llamafactory-cli version   # 预期输出: LLaMA Factory 版本号（2026-08-30 实测 0.9.5）

nomic-embed-text（知识库 embedding）

下载：`ollama pull nomic-embed-text`（ollama 官方 registry，274MB，2026-08-30 实测约 45s/6.3MB/s）；registry 拉不动时从 ModelScope 找 GGUF 导入（路径同 ollama 模型）
版本要求：latest（2026-08-30 实测 v0.32.x 配套正常）

ollama pull nomic-embed-text   # 274MB，官方 registry（实测约 45s）
curl -s localhost:11434/api/embed -d '{"model":"nomic-embed-text","input":["测试"]}'   # 预期输出: 768 维向量

方案总览

三个工具各管一段，互不抢活：

工具	管什么	为什么是它
ollama	模型下载、运行、API（底座）	一行命令跑模型，自带 OpenAI 兼容 API，生态最大；模型文件标准化（GGUF）
open-webui	浏览器聊天界面（配套）	官方推荐的网页界面，Docker 一键起，多模型管理、知识库附件
LLaMA-Factory	本地微调/训练（可选重件）	图形化/命令行双形态微调，国内教程多，支持 LoRA/全参
nomic-embed-text	知识库向量化（RAG 轻件，约 274MB）	官方 registry 可拉，768 维向量；open-webui 知识库默认 embedding（实测）

备选方案：只想本地聊天、不想要网页界面 → 只装 ollama（甚至可以用 llama.cpp 直接跑 GGUF）；只想推理不想训练 → 跳过 LLaMA-Factory。安装顺序按依赖排：先底座（ollama），再界面（open-webui 连 ollama），最后训练工具（可选重件，避免 torch 大依赖拖慢前两步）。

快速开始

一键脚本由本文档自动生成（渲染后位于 pages/combos/combo-local-llm-finetune.sh），按官方下载源 + 国内镜像适配，逐条执行：

bash pages/combos/combo-local-llm-finetune.sh

装完你会得到：ollama 服务（端口 11434）+ 浏览器聊天界面（http://localhost:3000）+ 可选的微调命令行。
预计耗时：10-20 分钟。最大卡点 = open-webui 首次拉 Docker 镜像（约 3-4GB）；ollama 二进制本体很小（约 1.4GB tar.zst 下载走 gh-proxy）。
前置条件：内存 ≥ 8GB（建议 16GB）；磁盘 ≥ 20GB 空闲；open-webui 需要 Docker（可选：不装 Docker 可跳第 2 步，用 pip 形态）。

想弄明白每一步在干什么、装错了怎么恢复 → 看「逐步教学」。一键脚本出问题 → 按逐步教学手动执行定位。

逐步教学

第 1 步：装 ollama（模型底座，一切依赖它）

ollama 是整套环境的底座：模型文件由它管理（默认 ~/.ollama/models），模型由它运行，open-webui 也通过它的 API（11434 端口）聊天。所以第一步先装它。安装过程会下载官方脚本/二进制，并把 ollama 注册为后台服务——装完后 ollama 命令全局可用，服务自动常驻。

# Linux（官方脚本；国内 GitHub 直连慢时改用下方手动路径）
curl -fsSL https://gh-proxy.com/https://github.com/ollama/ollama/releases/latest/download/install.sh | sh
# 或手动：下载 tar.zst 解压（需 tar --zstd 或 zstd 工具）
curl -sL -o /tmp/ollama.tar.zst https://gh-proxy.com/https://github.com/ollama/ollama/releases/latest/download/ollama-linux-amd64.tar.zst
mkdir -p /tmp/ollama-bin && tar --zstd -xf /tmp/ollama.tar.zst -C /tmp/ollama-bin
/tmp/ollama-bin/bin/ollama --version   # 预期输出: ollama version 0.33.2

预期输出: ollama version 0.33.2（或更高）

装好确认：

ollama --version 能输出版本号；
curl http://localhost:11434/api/version 返回 {"version":"0.33.2"}（服务已起）。

卡住怎么办：

下载超时/失败（国内 GitHub 直连慢）→ 换手动 tar.zst 路径（上面第二段），下载走 gh-proxy 前缀，通常能通。
tar --zstd 报错（zstd 未装）→ sudo apt install -y zstd 后重试。
服务没起来 → ollama serve 前台启动看日志；端口被占 → OLLAMA_HOST=127.0.0.1:11435 ollama serve 换端口。

note: 模型下载默认走 ollama 官方 registry（国内可能超时）；备选 = ModelScope 下载 GGUF 后用 ollama create 导入（2026-08-29 实测：qwen2.5-0.5b 491MB 下载 58.5s + create 导入 success + CPU 冒烟通过，实测复现日志（2026-08-29））。
note: Windows 用官方安装器（https://ollama.com/download/windows），WSL2 内与 Linux 同路径；macOS 用 Ollama-darwin.zip。

第 2 步：装 open-webui（浏览器聊天界面）

命令行 ollama run 能聊天，但界面简陋、没法管理多模型。open-webui 是 ollama 官方推荐的网页界面，Docker 形态最省心：镜像自带全部依赖，数据存在独立 volume（open-webui），删除容器不会丢聊天记录。这一步会拉一个约 7GB 的镜像（实测 7.16GB）——国内网络最大卡点在这一步，拉不动就换 ghcr 国内镜像前缀。命令里的三个环境变量是知识库（RAG）必需：ENABLE_SIGNUP=true（首次注册管理员）、RAG_EMBEDDING_ENGINE=ollama + RAG_EMBEDDING_MODEL=nomic-embed-text（embedding 走本地 ollama，不依赖境外模型下载）。

docker run -d -p 3000:8080 --add-host=host.docker.internal:host-gateway \
    -v open-webui:/app/backend/data --name open-webui --restart always \
    -e ENABLE_SIGNUP=true \
    -e RAG_EMBEDDING_ENGINE=ollama \
    -e RAG_EMBEDDING_MODEL=nomic-embed-text \
    ghcr.nju.edu.cn/open-webui/open-webui:main
# 国内镜像：直接写 ghcr.nju.edu.cn（2026-08-30 实测拉取成功，镜像 7.16GB）；官方 ghcr.io 慢时同前缀替换

预期输出: docker run 打印容器 ID；docker ps 里能看到 open-webui 状态为 Up。

装好确认：

docker ps | grep open-webui 状态 Up；
浏览器打开 http://localhost:3000 出现注册/登录页。

卡住怎么办：

Docker 没装 → 先装 Docker（curl -fsSL https://get.docker.com | sh 或发行版包管理器），再回来跑这条命令。
镜像拉不动（ghcr.io 超时）→ 把镜像地址的 ghcr.io 换成 ghcr.nju.edu.cn（2026-08-30 实测可用）；或等网络窗口（如代理开启时）重试。
端口 3000 被占 → 改宿主映射：-p 3001:8080，浏览器开 http://localhost:3001。
界面连不上 ollama → 确认 ollama 服务在跑（第 1 步的 curl 检查）；容器与宿主网络通过 host.docker.internal 已打通，若改了 ollama 端口需在界面设置里改连接地址。

note: 容器内端口 8080，宿主映射示例 3000；首次启动拉镜像实测 7.16GB（2026-08-30，ghcr.nju.edu.cn 通道）。
note: 也可 pip install open-webui（官方支持，未实测；依赖重，建议 Docker 形态）。

第 3 步：装 LLaMA-Factory（可选重件，只在要微调时装）

前面两步已经能本地聊天了。LLaMA-Factory 是「微调」专用：把公开模型在你自己的数据上再训练一版。这是可选重件——它拖入 PyTorch（几百 MB 到 4GB+ 的 CUDA 轮子，实测 torch 2.13.0 全家桶含 nvidia-* 依赖约 4GB），纯推理用户完全不需要。确认要微调再装，且要有 NVIDIA GPU + CUDA 环境（无 GPU 只能做推理级试用，训练不现实）。

pip install llamafactory --index-url https://pypi.tuna.tsinghua.edu.cn/simple
llamafactory-cli version   # 预期输出: LLaMA Factory 版本号（2026-08-30 实测 0.9.5）

预期输出: LLaMA Factory 版本号（如 4.0.0 形态，未实测）

装好确认：

llamafactory-cli version 输出版本号；
python3 -c "import torch; print(torch.cuda.is_available)" 输出 True（有 GPU 时）。

卡住怎么办：

torch 装不上/太慢 → 先装 CUDA 版 torch：pip install torch --index-url https://download.pytorch.org/whl/cu12x（国内可用阿里云/清华 torch 镜像，推断未实测），再装 LLaMA-Factory。
无 GPU → 训练不现实，只用 llamafactory-cli chat 跑推理级试用，或直接跳过本步。
pip 超时 → 已带清华镜像；仍失败可加 -i https://mirrors.aliyun.com/pypi/simple 换源。
No space left on device（/tmp 为 tmpfs 时） → 实测 /tmp 内存盘仅 7.9G，torch CUDA 依赖 ~4GB 装不下；venv 建到磁盘分区（如 python3 -m venv ~/llamafactory-venv），并给 pip 指磁盘缓存/临时目录。

note: 微调训练需要 NVIDIA GPU + CUDA 环境；先装 CUDA 版 PyTorch 再装 LLaMA-Factory。

第 4 步：配知识库（RAG，可选但推荐）

你已经能本地聊天了。知识库是「让 AI 基于你自己的资料回答」：把文档/笔记喂给 open-webui，它会把文档切成小块、用本地 embedding 模型转成向量存起来，之后你提问时系统检索最相关的片段一起给模型（2026-08-30 实测：切分 → ollama embedding → 向量入库 → 检索命中全通）。

先装 embedding 模型（第 1 步的 ollama 里执行）：

ollama pull nomic-embed-text   # 274MB，官方 registry（实测约 45s）
curl -s localhost:11434/api/embed -d '{"model":"nomic-embed-text","input":["测试"]}'   # 预期输出: 768 维向量

预期输出: {"embeddings":[[0.0x,... 共 768 个]]}（向量的前几个浮点数即可，说明模型可用）

然后在浏览器操作（http://localhost:3000，管理员登录）：

左下角用户名 → 管理员面板 → 设置 → 检索：确认 Embedding 引擎 = Ollama、模型 = nomic-embed-text（首次安装按第 2 步 env 已配好；旧数据卷升级场景需手动确认，见 FAQ）。
回到主界面 → 左侧「知识库」→ 新建知识库 → 上传你的文档（支持 md/txt/pdf 等；实测 md 正常）。
新开对话 → 输入框左侧「#」选择刚建的知识库 → 提问。回答会带引用标注。

note: 自动检索依赖模型的工具调用能力：0.5B 级小模型实测不触发检索（会给出幻觉答案），建议 ≥7B 且支持函数调用的模型；小模型场景可把关键内容直接写进提问。
note: 实测确认 embedding 模型名不要带 ollama/ 前缀（open-webui 会原样传给 ollama 导致 404）。

装完验收（一步到位）

作用：装完跑下面一条命令块，全绿 = 本组合包就绪；某条失败 → 回「逐步教学」对应步骤定位。

ollama --version
curl -s http://localhost:11434/api/version
docker ps | grep open-webui
llamafactory-cli version
curl -s localhost:11434/api/embed -d '{"model":"nomic-embed-text","input":["验收"]}' | head -c 120

预期输出: ollama 0.33.2；api/version 返回版本；open-webui Up；llamafactory-cli 输出版本号；embed 返回 768 维向量（成员级 2026-08-29/30 实测；LLaMA-Factory 完整微调链路未实测）

注：open-webui 连不上 ollama 时确认 ollama 服务在跑（第 1 步 curl 检查）；改过端口需在界面设置同步。

日常使用

启动与入口

ollama：后台服务自动常驻（systemd 或 ollama serve）；命令行入口 ollama run <模型名>。
open-webui：Docker 容器 --restart always 自动拉起；浏览器入口 http://localhost:3000。
LLaMA-Factory：命令行 llamafactory-cli；图形界面 CUDA_VISIBLE_DEVICES=0 python -m llamafactory.webui。

常用操作

拉模型：ollama pull qwen2.5:7b（走官方 registry；下不动 → ModelScope 下载 GGUF + ollama create 导入，见 FAQ）。
跑模型：ollama run qwen2.5:7b 进入对话；或浏览器在 open-webui 里选模型直接聊。
看状态：ollama list（已装模型）、ollama ps（正在运行的模型）、docker ps（界面容器）。
换模型/清理：ollama rm <模型名> 删除模型文件释放磁盘。
微调入口：llamafactory-cli train --model_name_or_path <模型> --dataset <数据集>（详细参数见官方 README）。
知识库：open-webui 左侧「知识库」上传文档 → 对话时点「#」选知识库 → 基于文档问答（第 4 步）。

数据与目录

ollama 模型：~/.ollama/models（可用 OLLAMA_MODELS 环境变量改目录，方便放到大盘）。
open-webui：Docker volume open-webui（docker volume inspect open-webui 看位置；备份 = 导出该 volume）。
LLaMA-Factory：训练输出在你指定的输出目录（默认 output/），数据集在 data/。

卸载与清理

按安装相反顺序卸载，最后清数据：

# 1. LLaMA-Factory（可选）
pip uninstall -y llamafactory
# 2. open-webui（容器 + 镜像 + 数据卷）
docker rm -f open-webui
docker rmi ghcr.io/open-webui/open-webui:main
docker volume rm open-webui
# 3. ollama（服务 + 二进制 + 模型）
sudo systemctl stop ollama && sudo systemctl disable ollama 2>/dev/null
sudo rm -rf /usr/local/lib/ollama /usr/local/bin/ollama /usr/lib/systemd/system/ollama.service
rm -rf ~/.ollama   # 模型全在这里，删了不可恢复

提示：~/.ollama 和 open-webui volume 是数据区，卸载前确认不需要聊天记录/模型文件——删了不可恢复。

安装顺序

先 ollama（底座）——模型下载/运行/API 都靠它；装完 ollama --version 冒烟，ollama pull <模型> 验证模型源（国内网络在此步最容易卡）。
再 open-webui（界面）——Docker 形态独立于 ollama 进程，通过 11434 端口连 ollama；先起 ollama 再起界面，界面才能自动发现模型。
最后 LLaMA-Factory（微调）——可选重件；只在确定要微调时装，避免 torch 大依赖拖慢前两步。

每步的"为什么 + 命令 + 装好确认 + 卡住怎么办"见「逐步教学」。

依赖警告

版本：ollama >= 0.33.2（旧版 < 0.30 API/模型兼容性差）；open-webui >= 0.11.1（镜像 :main 跟随最新）；LLaMA-Factory >= 0.9.5（Python >= 3.10，PyTorch 2.x）；nomic-embed-text latest（274MB）。
环境：
显卡驱动：NVIDIA 驱动要新（ollama 自带 CUDA 运行时，但驱动版本决定可用性）；无 NVIDIA 卡 = CPU-only 推理（慢但能用）；AMD 卡走 ROCm 资产（ollama-linux-amd64-rocm.tar.zst，推断）；Apple Silicon 走 MPS（macOS 原生支持）。
内存：建议 >= 16GB；Q4 量化模型约占用参数量一半内存（7B 模型 ≈ 4-5GB + KV cache）；embedding 模型极小（0.3GB 内，可忽略）。
磁盘：模型文件 4-70GB（7B Q4 ≈ 4.5GB，70B Q4 ≈ 40GB+）；装前 df -h 确认，模型目录可用 OLLAMA_MODELS 改到大盘。
端口：ollama 默认 11434（OLLAMA_HOST 可改）；open-webui 宿主映射 3000（容器内 8080）；冲突时改映射。
系统差异：Linux（install.sh/tar.zst）、Windows（官方安装器，建议 WSL2）、macOS（dmg）。
冲突：三件套为泛计算机组合（非插件域收录条目），相互间无写面重叠（ollama 写 ~/.ollama/、open-webui 写 Docker volume、LLaMA-Factory 写项目目录/venv，推断 compatible，未实测）；与插件域条目无矩阵对子（超出收录面），但都占用 GPU 时需错峰（推断）。
国内网络：①ollama 二进制下载走 gh-proxy（直连慢）；②模型拉取走 ollama registry（实测超时）——备选 ModelScope 下载 GGUF + ollama create 导入（实测通过）；③open-webui 镜像走 ghcr.nju.edu.cn（实测 7.16GB）；④embedding 模型 274MB 可走官方 registry（实测）或 ModelScope GGUF；⑤pip 一律清华镜像。最容易卡的三步 = 模型拉取、ghcr 镜像拉取、torch 大依赖。

FAQ

模型下不下来（ollama pull 一直超时）怎么办？ → 别硬试。去 ModelScope 搜同名 GGUF 文件下载（国内快），写一个 Modelfile（FROM /path/to/model.gguf），ollama create <名称> -f Modelfile 导入。2026-08-29 实测：qwen2.5-0.5b 491MB 下载 58.5s + 导入成功 + CPU 冒烟通过。
没显卡能玩吗？ → 能。CPU-only 推理可用（速度慢，7B Q4 大约每秒几个 token）；但微调训练不现实（LLaMA-Factory 需要 NVIDIA GPU + CUDA）。
Docker 装不了/不想装，open-webui 怎么办？ → 用 pip 形态：pip install open-webui && open-webui serve（官方支持，未实测；依赖重，建议优先解决 Docker）。
open-webui 界面打不开？ → docker ps 看容器是否 Up；看日志 docker logs open-webui；端口被占用就换宿主映射端口重启。
知识库上传了文档但回答没引用/在瞎编？ → ①检查管理员面板 → 设置 → 检索：Embedding 引擎必须 = Ollama、模型 = nomic-embed-text（模型名不带 ollama/ 前缀）；②确认 embedding 模型已装：ollama list 有 nomic-embed-text；③小模型（0.5B 级）工具调用不可靠会不触发检索，换 ≥7B 模型或把关键内容写进提问。
模型占太多磁盘怎么办？ → ollama list 看哪些模型在，ollama rm <不用的模型> 释放；把 OLLAMA_MODELS 指到大盘再 ollama pull 新模型。

验证证据

每份组合包在隔离环境实测（冒烟 + 写面检查），未实测项在文中如实标注；实测日期见下方验证证据。

验证于 2026-08-30 · TTL 到期 2027-02-26（180 天）

实测（2026-08-29，WSL Ubuntu x86_64，Docker 29.1.3）：ollama v0.33.2 二进制经 gh-proxy 下载（tar.zst 1422262024 bytes）→ apt 装 zstd 1.5.7 → tar --zstd 解压 → 冒烟全过：ollama --version → client version is 0.33.2；ollama serve 启动正常（OLLAMA_MODELS 生效、端口 11434、blobs: 0）；ollama list exit 0（空表）；curl /api/version → {"version":"0.33.2"}。实测复现日志（2026-08-29）。
实测（2026-08-29）：ModelScope 下载 qwen2.5-0.5b GGUF（491MB，58.5s）→ ollama create 导入 success → CPU 冒烟通过。实测复现日志（2026-08-29）。
未实测（如实标注）：模型拉取（体积 4GB+，本环境大下载受限）；open-webui 镜像运行（镜像 3-4GB）；LLaMA-Factory 安装与微调（需 GPU/CUDA，本环境无 NVIDIA 卡）；ghcr 国内镜像（推断路径，未验证）。
2026-08-30 全链路实测（升 verified）：ollama（snap 0.32.14，ModelScope GGUF 导入 qwen2.5-0.5b + CLI 推理冒烟）+ open-webui（Docker，UI HTTP 200 + 发现 ollama 模型 qwen2.5-0.5b）+ LLaMA-Factory（pip 0.9.5，CUDA 可用 RTX 5070 Ti）。证据实测复现日志（2026-08-30）。
实测（2026-08-30，RAG 全链路，实测复现日志（2026-08-30））：ollama 官方 registry 拉 nomic-embed-text（274MB/45s）→ /api/embed 768 维归一化向量 → open-webui 切 ollama embedding（模型名须裸名，带 ollama/ 前缀实测 404）→ 知识库建库/上传/切分/embedding 入库（1/1 items）→ query/collection 检索命中正确片段（metadata 回显 ollama+nomic-embed-text）。
实测限制（同上证据）：open-webui 新版 RAG 走模型工具调用，qwen2.5-0.5b 不触发自动检索（输出幻觉）；检索层本身验证通过，建议 ≥7B 模型或界面手动选知识库。
环境修复（同上证据）：WSL 残留旧 dockerd（29.1.3）劫持 3000 端口问题已定位并清理（旧 daemon 已停用），不影响本组合包安装路径。
已知限制：snap 版 ollama 推理走 CPU（GPU 未暴露）；LLaMA-Factory 未做完整微调（大流量另行安排）；open-webui 镜像 ~7.16GB。

关联问题

← 全部组合包｜工具货架｜遇到问题？去问题空间提交求助卡

场景

组合成员 （4）

ollama（模型下载与运行底座）

open-webui（网页界面）

LLaMA-Factory（本地微调工具）

nomic-embed-text（知识库 embedding）

方案总览

快速开始

逐步教学

第 1 步：装 ollama（模型底座，一切依赖它）

第 2 步：装 open-webui（浏览器聊天界面）

第 3 步：装 LLaMA-Factory（可选重件，只在要微调时装）

第 4 步：配知识库（RAG，可选但推荐）

装完验收（一步到位）

日常使用

启动与入口

常用操作

数据与目录

卸载与清理

安装顺序

依赖警告

FAQ

验证证据

关联问题

组合成员（4）