openGym AI教练本地模型实战用Ollama免费跑qwen2.5:3b的完整配置指南【免费下载链接】openGymSelf-hosted gym body-weight tracker — plan routines, log workouts (supersets, warm-ups, cardio), see which muscles are trained, fatigued or detrained, import from FitNotes/Strong/Hevy, passkey login. Your data, your server.项目地址: https://gitcode.com/GitHub_Trending/op/openGymopenGym 是一款自托管的健身与体重追踪应用支持计划训练、记录训练、查看肌肉疲劳状态并内置一个可选的AI 教练功能它能根据你的训练日志自动设计和调整一周训练计划。本教程演示如何用Ollama 本地模型 qwen2.5:3b免费驱动这个 AI 教练全程无需 API Key、无需付费训练数据也不离开你的内网。为什么选择本地模型openGym 的 AI 教练支持三类接入方式接入方式费用数据去向适合场景Anthropic / OpenAI / Gemini API按量付费发送到云端追求最强模型效果OpenAI 兼容端点Ollama免费留在局域网隐私敏感、不想付钱Claude Agent SDK / Codex CLI订阅发送到云端已有对应订阅关键点在于Ollama 走的是「OpenAI 兼容端点」这一档它不需要任何密钥只要 openGym 能访问到 Ollama 的地址即可。也就是说整个局域网内模型就是完整的本地 AI 教练方案配置量极小。硬件要求小盒子也能跑官方文档在 4 核、无 GPU 的虚拟机上实测了qwen2.5:3b的表现✅ 4 GB 内存可轻松运行 Q4 量化的 3B 模型⚠️ 4B 模型硬塞进 4 GB 不会报错但会抖动权重被逐出页面缓存生成速度掉到约 1 token/s⏱️ 热缓存状态下一次训练复盘review约 1 分钟经验法则在 4–6 GB 内存的机器上选更小但舒适的模型比硬扛大模型更快更稳。一键安装 Ollama 并拉取模型在服务器上安装 Ollama 后执行ollama pull qwen2.5:3b然后给 Ollama 进程加上两个关键环境变量这直接影响后面的速度原理见缓存预热机制环境变量值作用OLLAMA_KEEP_ALIVE-1模型常驻内存避免缓存随进程卸载而消失OLLAMA_NUM_PARALLEL1单并发槽位让前缀缓存独占不被并行请求切碎如果 Ollama 和 openGym 分别跑在 Docker 容器里注意 openGym 的 api 容器需要用 Ollama 所在主机的地址例如http://宿主机IP:11434。在 openGym 后台连接 AI 教练连接过程全程在网页里完成不涉及环境变量或重启打开Settings设置→ Admin dashboard管理面板找到AI Coach卡片打开卡片顶部的总开关选择OpenAI-compatible endpointOpenAI 兼容端点这个供应商选项在Endpoint输入 Ollama 地址例如http://ollama:11434只需基础地址不带/v1不带密钥点击List models列出模型——它会实时询问 Ollama 正在提供哪些模型qwen2.5:3b就会出现在下拉选择器里点击Test the Coach测试连接完成一次不含任何用户数据的真实往返验证提示ollama pull任何你的硬件能装下的模型刷新列表后都会出现在选择器中openGym 不锁定任何官方推荐模型。模型选择是按供应商分别记忆的将来切换云端模型再切回来本地配置原样保留。相关实现可参考 providers.js。缓存预热机制从8分钟到1分钟这是本地模型体验的核心。AI 教练的教练规则以字节级一致的系统提示词下发Ollama 的前缀缓存因此可以跨任务复用每次只处理你真实的训练数据增量。openGym 的 api 服务自动完成了预热服务器启动 5 秒后每 30 分钟向 Ollama 发送一次debrief和review两种提示前缀冷启动时那次昂贵的首读发生在后台不占用任何用户的等待时间官方实测同样的 review冷缓存约 8 分钟热缓存约 1 分钟也就是说你不需要写任何 cron 任务或脚本——预热逻辑内建在 warmup.js 中且只在供应商是兼容端点时生效云端 API 永远不会被白白 ping。超时设置本地模型需要更多耐心默认的任务超时是 5 分钟这对云端 API 绰绰有余但 CPU 上的本地模型在模型加载后的第一个请求需要完整跑一遍提示词。在.env中调高预算即可.env模板里有详细说明见 .env.exampleCOACH_JOB_TIMEOUT_MS1500000热缓存下 3B 模型通常在 1–3 分钟内出结果老 4 核机器约 12 prompt tokens/s现代 CPU 数倍于此该值不会低于 1 分钟聊天界面在本地端点场景下也会主动提示这需要一点时间开始使用 AI 教练管理员开启后每位用户的使用路径打开Plan计划标签页顶部的 Coach 卡片进入对话阅读同意页它精确列出了会离开服务器的字段完成简短问卷目标、经验水平、每周天数、单次时长、器械、身体限制AI 教练以卡片形式给出训练计划每个 routine 一个标签页每处修改都附带理由之后随时可以对话式微调、要求复盘已记录的训练review 窗口最长 12 周 / 60 次训练或单独点评某一次训练debrief含 10 分制评分安全边界值得一提模型返回的任何修改都必须通过校验器——只允许动 routine 和周计划训练日志、体重、设置都不可触达每条修改必须引用证据没有理由的修改直接拒绝。完整的隐私与校验规则见 AI 教练官方文档。常见问题手机上能用吗可以但手机的自带密钥模式要求https://局域网里的http://Ollama 从手机直连不了正确做法是手机配对到自托管服务器Settings → Pair the mobile app让教练跑在服务器上手机只是普通用户。如何彻底关闭 AI 教练在管理面板关闭总开关即可.env中设置COACH_DISABLED1是凌驾于一切的最高优先级紧急开关。需要改代码或装额外插件吗不需要。Ollama 走 HTTPS 供应商任务只是 api 进程的一次 fetch默认镜像就能用无需构建coach镜像那个是给 Claude Agent SDK / Codex 用的。总结一台 4 GB 内存的小机器 Ollama qwen2.5:3b配合 openGym 内建的缓存预热就能获得一个免费、离线、数据不出局域网的 AI 训练教练——热缓存下的一次复盘只花约 1 分钟且每一步修改都由你批准。【免费下载链接】openGymSelf-hosted gym body-weight tracker — plan routines, log workouts (supersets, warm-ups, cardio), see which muscles are trained, fatigued or detrained, import from FitNotes/Strong/Hevy, passkey login. Your data, your server.项目地址: https://gitcode.com/GitHub_Trending/op/openGym创作声明：本文部分内容由AI辅助生成（AIGC），仅供参考