开源办公套件+本地大模型，打造无广告可控的AI办公方案

办公软件这块被 WPS 和 Office 的弹窗广告、会员订阅、隐私策略劝退过的人不在少数。想用 AI 写文档、改表格、润色排版又不想被“AI 会员”二次收费更不想去下载来路不明的破解版。这次我们就把目光放到 GitHub 上有没有开源方案能组合出一套“干净无广告、数据可控、带 AI 能力”的 Office 办公套件先给结论这条路完全走得通。GitHub 上主流的开源办公套件比如 LibreOffice、OnlyOffice基础能力早已覆盖 Word、Excel、PPT 的大部分日常使用场景。再加上开源的本地大模型服务比如 Ollama 或 vLLM就能给文档和表格接上 AI 写稿、润色、翻译、排版建议、公式生成这些能力。组合起来以后对标 WPS AI 一点不虚核心优势是免费、无广告、数据留在本机还能批量处理文档。这篇文章会按实际部署顺序展开先看这套组合的规格和适用边界再讲环境准备、安装启动、功能测试、接口 API、批量任务、资源占用和常见排错。如果你不想装破解、又希望本地办公套件具备 AI 能力建议先收藏备用。1. 核心能力速览先给规格。下面的表格把整套组合的关键能力列清楚方便你快速判断适不适合自己。能力项说明项目形态GitHub 开源办公套件LibreOffice / OnlyOffice 等 开源本地大模型服务Ollama / vLLM 等组合主要功能文档写作、表格处理、演示文稿、PDF 转换、AI 润色改写、内容生成、批量格式转换AI 能力获取通过本地模型或任意 OpenAI 兼容 API 接入不需要依赖某个商业软件的 AI 会员广告情况开源套件本身无广告不弹会员不强制登录数据隐私本地部署时文档和模型请求均在本机完成数据不出内网硬件门槛办公套件部分 CPU 即可本地 AI 模型建议 8G 以上内存有 NVIDIA 独显体验更好显存占用取决于模型参数规模和量化方式没有固定值需按实际模型测试支持平台Windows / Linux / macOS启动方式办公套件图形界面或命令行启动AI 服务通过命令行启动是否支持 API支持文档转换有命令行接口AI 层走 OpenAI 兼容接口是否支持批量任务支持可以批量转 PDF、批量润色、批量生成表格数据适合场景个人办公、小微企业、高校实验室、内网文档处理流水线如果你只想要一个“点击就能用”的开箱即用整合包这套方案需要自己花半小时搭建但只要搭好一次后面无论是写作、改表、批量转格式都能复用。2. 适用场景与使用边界2.1 这套组合适合谁第一类人是个人内容创作者和办公人员。每天要写周报、方案、会议纪要手头有大量 Word 和 Excel 文件受够了广告弹窗也不想把内容传到第三方平台。把办公套件和本地大模型装在自己电脑上数据不出本机AI 润色和改写随叫随到。第二类是高校和科研团队。论文初稿润色、实验数据整理、批量转换 PDF、整理参考文献摘要这些工作用开源工具加脚本非常好使而且完全符合学术场景对数据合规的要求。第三类是企业内网用户。内网环境不能访问外部 AI 服务也不允许装商业办公软件的云功能。这时用开源办公套件加内网模型服务可以撑起一套基础的“企业级 AI Office”。2.2 不适合什么场景如果你需要的是极致兼容微软 Office 复杂宏、复杂排版、多人实时协同那 LibreOffice 这类开源套件在个别场景下仍不如原版 Office 顺手OnlyOffice 的协同体验也和企业版商业软件有差距。另外如果你完全不会命令行也不想看日志只想双击一个 EXE 就得到全套 AI 功能那这套方案的上手成本可能超出预期。2.3 合规与安全边界这里必须说清楚开源办公套件不是“破解版”的替代品而是独立的合法软件。不要下载任何打着“WPS 破解版”“Office 免激活”旗号的来源不明安装包更不要安装来路不明的激活工具——这类东西捆绑广告、窃取文档、植入木马的风险极高。GitHub 上正规开源项目的代码和安装包都是公开的但下载时也要认准官方仓库和 release 页面避免第三方转存包被投毒。使用 AI 处理文档时如果调用云端 API公司内部文档、客户信息、个人隐私数据必须脱敏更稳妥的做法是使用本地模型让数据完全留在本机。另外AI 生成的内容不能直接作为最终交付物尤其是合同、公文、论文、财务报表这类关键材料人工复核是必须的。3. 环境准备与前置条件先列一份通用检查清单具体版本以你的操作系统和所选项目为准。准备项说明操作系统Windows 10/11、Ubuntu 22.04/24.04、CentOS Stream、macOS 均可Python不需要装办公套件但如果做批量任务脚本建议 Python 3.10 以上办公软件LibreOffice 或 OnlyOffice 的桌面版 / 服务版本地大模型服务Ollama 或 vLLM用于提供 AI 接口模型文件根据你的硬件选择参数规模常见 7B、14B 模型量化后体积从几 GB 到十几 GB 不等磁盘空间办公套件约 1-2GB模型文件另算内存办公文档处理要求不高本地推理建议 16GB 起步GPU可选NVIDIA 显卡优先用于本地大模型推理加速端口Ollama 默认 11434自定义服务建议避开 80、443 等常用端口确认环境时重点看两件事第一你准备跑多大的模型第二你的机器是 CPU 还是 GPU。这决定了 AI 能力是“能用”还是“好用”。4. 安装部署与启动方式下面给出一个通用部署流程具体命令需要按你选择的发行版和版本号微调。4.1 安装办公套件以 LibreOffice 为例在 Ubuntu / Debian 系系统上sudo apt update sudo apt install libreoffice在 CentOS / RHEL 系系统上sudo dnf install libreofficeWindows 用户直接去 LibreOffice 官方网站下载安装包一路点下一步即可。OnlyOffice 也可以从官网或 GitHub 仓库的 release 页面下载对应平台的安装包。安装完成后可以用命令行先验证一下核心转换功能是否正常libreoffice --version如果看到版本号说明办公套件已就绪。4.2 安装本地大模型服务本地模型服务推荐先用 Ollama它把模型下载和 API 启动都封装成了极简命令对新手最友好。安装脚本以官网为准Linux 上是curl -fsSL https://ollama.com/install.sh | shWindows 和 macOS 可以直接下载安装包。装完后拉取一个通用中英文模型这里以 7B 参数的通用模型为例ollama pull qwen2.5:7b模型文件较大首次下载需要一段时间。下载完成后启动服务ollama serve默认情况下Ollama 会在11434端口启动一个服务。看到类似Listening on 127.0.0.1:11434的日志本地 AI 服务就跑起来了。4.3 验证 AI 接口新开一个终端直接用 curl 测试接口curl http://localhost:11434/v1/chat/completions \ -H Content-Type: application/json \ -d { model: qwen2.5:7b, messages: [ {role: user, content: 用一句话介绍开源办公套件} ] }返回内容里包含choices和message字段说明接口可通。这个接口是 OpenAI 兼容格式后面写文档润色脚本、接入办公流程都会用到。4.4 Windows 下的启动注意点Windows 上最常见的坑是端口被占用或者 Ollama 服务没有真正启动。建议在系统托盘或任务管理器里确认 Ollama 进程是否存在如果端口冲突可以改端口set OLLAMA_HOST127.0.0.1:11435 ollama serve改完端口后所有脚本和 curl 测试中的地址也要同步修改。5. 功能测试与效果验证部署完成后不要急着直接处理重要文档先按下面的测试流程把功能跑一遍确认每个环节稳定后再接入真实工作。5.1 文档写作测试测试目标验证 AI 能根据主题自动生成可编辑的文档内容。先写一个最简单的 Python 脚本调用本地模型生成一段周报# ai_office_demo.py import requests url http://localhost:11434/v1/chat/completions payload { model: qwen2.5:7b, messages: [ {role: system, content: 你是一个办公助手输出简洁的中文周报。}, {role: user, content: 请写一份关于开源办公套件调研的本周工作进展包含已完成、待办、风险。} ], temperature: 0.3 } resp requests.post(url, jsonpayload, timeout300) content resp.json()[choices][0][message][content] print(content)运行python ai_office_demo.py判断标准能正常返回结构化文字没有报错内容包含“已完成、待办、风险”等关键要素文字通顺不是生硬的关键词堆砌。失败排查如果请求超时看模型文件是否还在加载如果返回内容为空先手动运行ollama run qwen2.5:7b确认模型可用如果返回 404检查接口地址是否写成了/v1/chat/completions。5.2 文档润色与修改测试测试目标验证 AI 能对已有文本做改写、润色、扩写或摘要。把上面的脚本扩展成函数def refine_text(text: str, instruction: str 润色使表达更正式) - str: url http://localhost:11434/v1/chat/completions payload { model: qwen2.5:7b, messages: [ {role: system, content: 你是资深文字编辑请根据指令处理用户文本。}, {role: user, content: f{instruction}\n\n{text}} ], temperature: 0.2 } resp requests.post(url, jsonpayload, timeout300) return resp.json()[choices][0][message][content] test_text 我们今天测试了一下开源办公软件感觉还是可以用的虽然没有广告但功能要自己研究。 print(refine_text(test_text, 润色使表达更正式并压缩到50字以内))常用指令模板“润色使表达更正式”“改成小红书风格口语化”“提取要点不超过 5 条”“扩写补充数据支撑建议”“检查错别字和病句”这些指令完全可以沉淀成模板后续在批量任务里复用。5.3 表格生成与公式测试测试目标验证 AI 能生成表格数据并且能输出可粘贴进 Excel 的内容。提示词示例生成一张 5 行 3 列的表格内容是本周项目进度情况列名分别是项目、进度、备注。 输出格式用 Markdown 表格。把返回内容复制到编辑器里再粘贴到 LibreOffice Calc 或 OnlyOffice 表格中。也可以用 Python 的openpyxl直接把结果写入 xlsx 文件import openpyxl wb openpyxl.Workbook() ws wb.active ws[A1] 项目 ws[B1] 进度 ws[C1] 备注 rows [ [文档模块, 80%, 接口已通], [表格模块, 50%, 公式测试中], [批量转换, 30%, 待联调], ] for r in rows: ws.append(r) wb.save(project_status.xlsx) print(已生成 project_status.xlsx)判断标准xlsx 文件能正常打开中文不乱码单元格内容正确。5.4 排版与格式转换测试测试目标验证开源办公套件的排版能力和转换稳定性。先用 LibreOffice 图形界面打开一个 docx 文档调整标题、字体、行距后保存。然后测试命令行批量转换libreoffice --headless --convert-to pdf test.docx --outdir ./outputlibreoffice --headless --convert-to docx test.md --outdir ./output第二个命令需要先确认系统里有对应的 Writer 过滤器部分发行版需要额外安装libreoffice-writer包。判断标准PDF 输出排版与屏幕显示一致中文字体正常显示转换过程无报错退出码为 0。6. 接口 API 与批量任务办公自动化真正值钱的地方在于接口调用和批量任务。下面给一套通用方案。6.1 AI 润色接口封装把前面写的润色函数封装成一个本地 HTTP 服务这样其他工具也能调用# server.py from flask import Flask, request, jsonify import requests app Flask(__name__) OLLAMA_URL http://localhost:11434/v1/chat/completions MODEL qwen2.5:7b app.route(/refine, methods[POST]) def refine(): data request.get_json() text data.get(text, ) instruction data.get(instruction, 润色使表达更正式) payload { model: MODEL, messages: [ {role: system, content: 你是资深文字编辑。}, {role: user, content: f{instruction}\n\n{text}} ], temperature: 0.2 } resp requests.post(OLLAMA_URL, jsonpayload, timeout300) result resp.json()[choices][0][message][content] return jsonify({result: result}) if __name__ __main__: app.run(host127.0.0.1, port8001)启动服务pip install flask requests python server.py调用接口curl http://127.0.0.1:8001/refine \ -H Content-Type: application/json \ -d {text: 今天的会议讨论了项目进度下一步要加快测试。, instruction: 改成正式会议纪要风格}返回 JSON{ result: 今日会议就项目当前进展进行了讨论并明确下一步需加大测试推进力度。 }6.2 批量 Word 转 PDF用一个 Python 脚本把inputs目录下所有 docx 批量转成 PDFfrom pathlib import Path import subprocess input_dir Path(inputs) output_dir Path(output) output_dir.mkdir(exist_okTrue) for f in input_dir.glob(*.docx): cmd [ libreoffice, --headless, --convert-to, pdf, str(f), --outdir, str(output_dir) ] proc subprocess.run(cmd, capture_outputTrue, textTrue) if proc.returncode 0: print(fOK: {f.name}) else: print(fFAIL: {f.name}) print(proc.stderr)这个脚本加到 crontab 或 Windows 计划任务里就能做定时批量转换。6.3 批量润色任务给批量润色加一个输入输出目录的约定处理时先读取文本文件再调用 AI 接口最后写到 output 目录mkdir inputs outputsPython 脚本from pathlib import Path from server import refine # 复用上面的函数或直接 requests 调用本地服务 input_dir Path(inputs) output_dir Path(outputs) output_dir.mkdir(exist_okTrue) for f in input_dir.glob(*.md): text f.read_text(encodingutf-8) result refine(text, 润色保持原意使表达更专业) output_dir.joinpath(f.name).write_text(result, encodingutf-8) print(f已完成: {f.name})批量任务注意两点一是加错误重试因为本地模型偶尔会超时二是加延迟或限速避免同时发出大量请求把显存打爆。7. 资源占用与性能观察这部分是本地部署最值得关心的地方。办公套件本身资源占用很低打开文档或转 PDF 时 CPU 短时间波动内存基本在几百 MB 到 1GB 左右。真正占用大头是本地的 AI 模型。7.1 显存与内存怎么看在 Linux 下用nvidia-smi观察实时显存nvidia-smiWindows 下打开“任务管理器 - 性能 - GPU”查看“专用 GPU 内存”。最直观的判断方式是模型加载后显存稳定在一个值附近请求进来时显存会短暂爬升请求结束后回落到加载时水位。7.2 CPU 推理和 GPU 推理的差异GPU 推理的速度优势非常明显。同一个 7B 模型GPU 生成一句 50 字的内容可能是几秒纯 CPU 推理多半要十几秒甚至更久具体取决于 CPU 性能和上下文长度。如果你只有 CPU建议选择量化程度更高的模型控制输入文本长度把并发数降到 1设置更长的请求超时时间。7.3 如何降低占用使用更小的模型或量化版本减少上下文长度润色时只传需要修改的段落不要传整篇文档关闭多路并发一次只处理一条请求不使用时直接关掉 Ollama 服务释放显存。8. 常见问题与排查方法问题现象可能原因排查方式解决方案AI 接口返回 404接口路径写错或 Ollama 版本不支持/v1接口用浏览器访问http://localhost:11434确认服务在线改用/api/chat或升级 OllamaAI 接口超时模型首次加载慢或 CPU 推理过慢观察是否第一次请求后才超时先用ollama run预加载模型增大 timeout文档转 PDF 中文乱码系统缺少中文字体检查/usr/share/fonts下是否安装了中文字体安装fonts-noto-cjk或 Windows 字体LibreOffice 启动报错缺少组件包或权限异常运行libreoffice --version看报错补装libreoffice-writer、libreoffice-calc等组件端口被占用其他服务占用了 11434 或 8001Windows 用 netstat -anofindstr 11434Linux 用ss -lntp批量任务中部分文件转换失败文件损坏或加密单独对失败文件执行一次转换修复文件或跳过并记录日志显存不足模型过大或并发过高nvidia-smi 查看显存换量化模型降低并发还有一个高频问题GitHub 仓库访问慢。办公套件和 Ollama 的安装包不一定要在 GitHub 直接下载很多开源项目有官网或国内镜像源安装依赖用系统自带的包管理器也可以避免反复超时。9. 最佳实践与使用建议第一先小参数跑通再上生产。第一次部署时用最小模型、最短文本、单条请求验证链路不要一上来就批量处理几百个文件。第二保持一套最小可运行配置。把下面的内容写进 README 或笔记里模型名称、启动命令、接口地址、几个关键脚本路径。这样换机器或者换环境时不用重新摸索。第三目录分层管理。建议统一为inputs、outputs、scripts、logs四个目录输入文档、输出结果、脚本、日志互不污染。第四批量任务必须加日志和失败重试。AI 服务偶尔会超时或返回空内容批量脚本里要记录每个文件的处理状态失败后单独重试而不是整个任务重跑。第五接口服务要限制访问范围。如果 AI 服务只在本机使用让服务监听127.0.0.1不要监听0.0.0.0如果在局域网内共享加上简单的 token 校验或把服务放在内网网关后面。第六涉及人脸、声音、版权素材、公司内部文档时先确认授权边界。开源工具不等于可以随便处理所有数据关键交付物必须人工复核。10. 总结与下一步这套“GitHub 开源办公套件 本地大模型”的组合最值得尝试的点是用一个完全可控、无广告、不付费的办公环境拿到接近商业软件 AI 助手的核心能力。数据留在本机意味着你可以放心理文档接口标准化意味着它能接入你自己的批量处理和自动化流程。最先应该验证的是本地模型接口能不能通以及 LibreOffice 的批量转 PDF 是否稳定。这两件事跑通了后面的文档润色、表格生成、格式排版就都是顺水推舟的事。最容易踩的坑是模型显存估算错误和批量任务并发设置过大。记住一个原则先小后大先单条后批量先短文本后长文本。下一步可以扩展的方向很多把润色接口接入飞书或钉钉机器人做成群里的文档助手把批量转换和定时任务结合做成自动汇报流水线或者在团队内网部署一台带 GPU 的服务器大家都走同一个 AI Office 接口。开源办公的价值不在于某一个软件的界面多漂亮而在于你能把它真正接到自己的工作流里。