先说结论：2G 内存的机器也能跑本地 AI Agent，但得精打细算。

我在 1G 和 2G 内存的机器上都试过，踩了不少 OOM 的坑。这篇把我总结出来的配置技巧都写下来，给用小鸡的朋友参考。

一、选对模型是第一要务

模型推荐（按内存排序）

| 模型 | 最低内存 | 量化 | 适合场景 |

| llama3.2:3b | 4G | Q4_K_M | 英文为主 |

2G 内存的机器，只推荐 phi3:mini 或 qwen2.5:1.5b。

别贪心上 7B，就算能加载，推理时也容易被系统杀掉。

# 拉取小模型
ollama pull phi3:mini
# 或者
ollama pull qwen2.5:1.5b

量化版本的选择

Ollama 默认拉取的就是量化版（Q4_K_M），不用额外操作。但如果你手动拉取 GGUF 文件的话，记住：

• Q2_K：最小，但质量损失明显
• Q4_K_M：性价比最高，推荐
• Q8_0：接近原始，但内存翻倍
• FP16：别想了，小鸡跑不动

---

二、Ollama 配置优化

限制上下文窗口

默认上下文是 8192 token，会吃掉不少内存。2G 机器建议砍到 2048：

# 创建 Ollama 配置
mkdir -p /etc/systemd/system/ollama.service.d
cat > /etc/systemd/system/ollama.service.d/override.conf << 'EOF'
[Service]
Environment="OLLAMA_HOST=0.0.0.0"
Environment="OLLAMA_NUM_PARALLEL=1"
Environment="OLLAMA_MAX_LOADED_MODELS=1"
Environment="OLLAMA_CONTEXT_LENGTH=2048"
EOF
systemctl daemon-reload && systemctl restart ollama

关键参数：

• OLLAMA_NUM_PARALLEL=1：只允许一个并发请求
• OLLAMA_MAX_LOADED_MODELS=1：内存里只留一个模型
• OLLAMA_CONTEXT_LENGTH=2048：上下文窗口砍到 2048

设置自动卸载

Ollama 加载模型后默认 5 分钟才卸载，期间一直占内存。改成 1 分钟：

# 在同一个 override.conf 里加
Environment="OLLAMA_KEEP_ALIVE=1m"

或者在 API 调用时指定：

curl http://localhost:11434/api/generate -d '{
  "model": "phi3:mini",
  "prompt": "你好",
  "keep_alive": "1m",
  "stream": false
}'

---

三、内存监控

脚本

cat > /opt/n8n/mem-monitor.sh << 'SCRIPT'
#!/bin/bash
MEM_TOTAL=$(free -m | awk '/Mem:/{print $2}')
MEM_USED=$(free -m | awk '/Mem:/{print $3}')
MEM_PCT=$(free -m | awk '/Mem:/{printf "%.0f", $3/$2*100}')
SWAP_USED=$(free -m | awk '/Swap:/{print $3}')
echo "内存: ${MEM_USED}/${MEM_TOTAL}MB (${MEM_PCT}%)"
echo "Swap: ${SWAP_USED}MB"
# 内存占用 Top 5
echo ""
echo "进程内存 Top 5:"
ps aux --sort=-%mem | head -6 | awk '{printf "  %-8s %sn", $4"%", $11}'
# OOM 风险判断
if [ "$MEM_PCT" -ge 90 ]; then
  echo ""
  echo "⚠ 内存使用率超过 90%！"
  echo "建议操作："
  echo "  1. 杀掉不用的 Docker 容器: docker stop "
  echo "  2. 清理 Ollama 模型: ollama stop "
  echo "  3. 清理系统缓存: sync && echo 3 > /proc/sys/vm/drop_caches"
fi
SCRIPT
chmod +x /opt/n8n/mem-monitor.sh

配合 cron 使用

# 每 30 分钟检查一次
(crontab -l 2>/dev/null; echo "*/30 * * * * bash /opt/n8n/mem-monitor.sh >> /var/log/mem-check.log 2>&1") | crontab -

---

四、任务队列（防止并发撑爆）

问题

n8n 如果同时触发多个工作流（比如你设了 3 个工作流都在早上 8 点跑），Ollama 会尝试并行处理，内存直接爆。

解决：用队列串行执行

在 n8n 设置里：

# docker-compose.yml 里加
environment:
  - EXECUTIONS_MODE=queue
  - QUEUE_BULL_REDIS_URL=redis://redis:6379
  - N8N_CONCURRENCY_PRODUCTION_LIMIT=1
  - GENERIC_TIMEZONE=Asia/Shanghai
  - TZ=Asia/Shanghai

加上 Redis：

services:
  n8n:
    # ... 原有配置
    depends_on:
      - redis
  
  redis:
    image: redis:7-alpine
    container_name: n8n-redis
    restart: unless-stopped
    command: redis-server --maxmemory 64mb --maxmemory-policy allkeys-lru
    deploy:
      resources:
        limits:
          memory: 64M

N8N_CONCURRENCY_PRODUCTION_LIMIT=1 保证同一时间只有一个工作流在跑，其他的排队等。

---

五、失败自动重试

工作流级别的配置

n8n 每个节点都支持错误重试：

1. 点开节点设置
2. On Error → Retry
3. Max Retries → 3
4. Retry Interval → 30s（或指数退避）

脚本层面的重试

#!/bin/bash
# 带重试的 Ollama 调用
call_ollama() {
  local prompt="$1"
  local max_retries=3
  local retry=0
  
  while [ $retry -lt $max_retries ]; do
    response=$(curl -s -m 120 http://127.0.0.1:11434/api/generate 
      -d "{"model":"phi3:mini","prompt":"$prompt","stream":false}" 2>/dev/null)
    
    if [ $? -eq 0 ] && [ -n "$response" ]; then
      echo "$response"
      return 0
    fi
    
    retry=$((retry + 1))
    echo "调用失败，第 $retry 次重试..."
    sleep $((retry * 10))  # 指数退避
  done
  
  echo "错误：调用 Ollama 失败，已重试 $max_retries 次"
  return 1
}
# 使用
result=$(call_ollama "总结一下今天的新闻")

关键：

• 超时设 120 秒（小模型推理慢）
• 重试间隔递增（10s → 20s → 30s）
• 最多重试 3 次，别无限重试

六、Swap 配置

2G 内存的机器，强烈建议加 Swap。虽然慢，但比 OOM 强。

# 创建 2G Swap 文件
fallocate -l 2G /swapfile
chmod 600 /swapfile
mkswap /swapfile
swapon /swapfile
# 写入 fstab 持久化
echo '/swapfile none swap sw 0 0' >> /etc/fstab
# 调整 swappiness（降低对 swap 的依赖）
sysctl vm.swappiness=10
echo 'vm.swappiness=10' >> /etc/sysctl.conf

vm.swappiness=10 的意思是：只有内存真的不够了才用 swap，平时尽量用物理内存。

七、日常维护

每周清理

cat > /opt/n8n/weekly-cleanup.sh << 'SCRIPT'
#!/bin/bash
# 每周清理脚本
echo "=== $(date) 清理开始 ==="
# 停止不用的容器
docker ps -a --filter "status=exited" -q | xargs -r docker rm
echo "已清理停止的容器"
# 清理悬空镜像
docker image prune -f
echo "已清理悬空镜像"
# 清理 n8n 旧执行记录
sqlite3 /opt/n8n-data/database.sqlite "DELETE FROM execution_data WHERE createdAt < datetime('now', '-7 days');"
echo "已清理 7 天前的执行记录"
# 清理系统日志
journalctl --vacuum-time=3d
echo "已清理 3 天前的系统日志"
echo "=== 清理完成 ==="
SCRIPT
chmod +x /opt/n8n/weekly-cleanup.sh
# 每周日 3 点执行
(crontab -l 2>/dev/null; echo "0 3 * * 0 bash /opt/n8n/weekly-cleanup.sh >> /var/log/cleanup.log 2>&1") | crontab -

总结：2G 机器的配置清单

| 项目 | 推荐值 |

| 执行记录保留 | 3 天 |

按这个配，2G 机器跑一个轻量 AI Agent 问题不大。但别指望它能跑 7B 模型同时处理长文本——那是 8G 以上机器的事。

量力而行，够用就行。