30天本地AI从零到能用打卡计划 · 本地 AI 橙皮书

怎么用这个打卡计划

每天完成 1 个任务（30–60 分钟）
打勾：完成就在 [ ] 里打 [x]
写一行心得：每天写"今天最大的收获是什么"
不要跳天：循序渐进设计的，跳了后面会卡
可以延期：30 天没完成，继续做就好

坚持完成的人，30 天后会有质的飞跃。

第 1 周：理解 + 跑通（1–7 天）

Day 1：理解本地 AI 是什么

读完第一章和第二章（约 30 分钟）
写下：你最希望本地 AI 帮你解决的 3 件事
写下：你担心云端 AI 看到的 3 类内容

今天不动手，纯读 + 思考。

Day 2：硬件自检 + 制定升级计划

读第三章
用 3 分钟测自己电脑配置（内存 / 显存 / 硬盘）
决定：用现有电脑还是升级
如果升级，写下预算 + 目标机型

Day 3：装 Ollama，跑第一个模型

读第四章
装 Ollama（Mac: brew install ollama / Win: 官网下载）
ollama pull qwen3:8b（如果机器太弱用 qwen3:1.7b）
ollama run qwen3:8b
让它做 3 件事：
1. 翻译一句英文
2. 写一首关于今天的小诗
3. 解释什么是"量子纠缠"

第一次见本地 AI 给你回答，留意它的速度和质量。

Day 4：装 Cherry Studio（GUI 体验）

装 Cherry Studio（cherry-ai.com）
连接你的本地 Ollama
在对话里问 5 个真实问题（不是测试题，是你今天真的想问的）
注意：和 ChatGPT 对比，差距在哪、相同在哪

Day 5：选模型，下 3 个不同模型对比

读第五章
下 3 个模型（如 qwen3:8b、gemma3:4b、phi-4:14b，按你硬件选）
同一道题（如"用一段话解释相对论给小学生听"）让 3 个模型都回答
对比：哪个最准、最有趣、最简洁

Day 6：理解量化与上下文

读第六章
试着下两个不同量化的同模型（如 Q4_K_M 和 Q8_0）
同一个问题问两遍，对比质量差异（多半感觉不到——这是好事）
试着问一个很长的问题（如贴入 5000 字让它总结），看能否处理

Day 7：本周回顾 + 决定主力模型

复盘这一周
写下：本周你最常用哪个模型？为什么？
决定接下来 30 天的"主力模型"（建议 Qwen 3 8B 或 14B）
用本地 AI 写一段"我打算用本地 AI 做的 5 件事"

第 1 周完成 = 你已经超过了 80% 的"听过本地 AI 但没动手"的人。

第 2 周：实际场景上手（8–14 天）

Day 8：用本地 AI 写日记

读第七章
创建一个"日记助手"（Cherry Studio 的"助手"功能）
给它一份 system prompt（参考第七章）
今天用它写一篇真实的日记
明天起每天用它

Day 9：用本地 AI 翻译

读第八章
浏览器装"沉浸式翻译"插件
配置成走本地 Ollama
今天浏览 5 个英文网页，用本地翻译
对比：和云端翻译质量差多少？

Day 10：用本地 AI 处理文档

读第十章
找一份你"早就想读没时间读"的 PDF（说明书 / 政策文件 / 长文报告）
在 Cherry Studio 里上传，让它总结（参考第 10.4 节）
5 分钟读完一份你拖了一个月的文档

Day 11：搭你的第一个知识库

读第十一章
下 bge-m3 嵌入模型
在 Cherry Studio 里建第一个知识库
把你最近 1 个月的笔记（备忘录、Notion、Obsidian 都行）导入
问 1 个"我知道答案在里面，但找不到"的问题

Day 12：用本地 AI 编程辅助（如果你写代码）

读第九章
VS Code 装 Continue 插件
配置走 Ollama + qwen2.5-coder:7b
今天写代码时强制只用本地 Continue（不用云端 Copilot）
对比：体验如何？

不写代码？跳过 Day 12，做 Day 11 的延伸：把更多笔记入库。

Day 13：让本地 AI 看图

读第 12.2 节
下 qwen2.5vl:7b
拍一张你身边的照片，让它描述
截一张你电脑桌面，让它告诉你"哪些可以删"
找一张手写笔记照片，让它转成文字

Day 14：本周回顾

复盘第 2 周
写下：哪个场景对你最有用？
哪个场景目前还不够好？为什么？
选 1 个最爱的场景，接下来 16 天每天用一次

第 2 周完成 = 本地 AI 已经融入了你 5 个真实场景。

第 3 周：进阶玩法（15–21 天）

Day 15：浏览器深度集成

装 Page Assist 插件
装一个综合 AI 插件（Monica 或 Sider），配走本地
整天浏览时强制用本地 AI做总结、翻译、问答
哪些场景体验比云端好？哪些差？

Day 16：Obsidian / 笔记工具集成

装 Obsidian（如果还没有）
装 Smart Connections 插件
配置走本地 Ollama + bge-m3
把过去 1 年笔记全部入库
问 3 个"语义搜索"才能找到的问题

如果你不用 Obsidian，用 Cherry Studio 知识库做同样事。

Day 17：Apple 快捷指令 / Raycast 集成

读第 14.6 / 14.7 节
写一个"选中文字翻译"快捷指令
绑定全局快捷键
整天用它在各种 App 里划词翻译
对比：你以前怎么处理这种场景？

Win 用户：装 PowerToys 替代。

Day 18：本地语音转文字

读第 12.3 节
装 MLX-Whisper（Mac）或 whisper.cpp（跨平台）
转写一段你自己的录音（vlog / 会议 / 语音备忘录）
把转写结果让本地 AI 总结
完整链路体验：声音 → 文字 → 总结，全程本地

Day 19：本地文字转语音

读第 12.4 节
装 Piper（最简）或 F5-TTS（最强）
让本地 AI 读一段你写的文章
试试用 F5-TTS 克隆你自己的声音

Day 20：本地图像生成

读第 12.6 节
装 Draw Things（Mac，最简）或 Fooocus（跨平台）
生成 5 张图（参考第 12.7 节模板）
保存你的第一张本地 AI 出图作品

Day 21：本周回顾

复盘第 3 周
写下：本周哪个进阶玩法让你"惊艳"
你 Mac / PC 现在跑本地 AI 的极限是什么？
是不是该升级硬件？

第 3 周完成 = 你的本地 AI 已经"全感官"——能看、能听、能说、能画。

第 4 周：Agent + 工作流 + 长期机制（22–30 天）

Day 22：第一个 MCP 工具

读第 13.4 节
在 Cherry Studio 装 1 个 MCP（推荐 filesystem 或 fetch）
让本地 AI 调用它做一件事（如"列出我桌面所有 PNG"）
第一次让本地 AI"操作你的电脑"

Day 23：写一个简单 Agent

读第 13.5 节
装 Open Interpreter
让它帮你做一件真事：
- 整理下载文件夹
- 把图片批量转 webp
- 找出 30 天没动过的文件
观察：Agent 自己写代码 + 自己执行的过程

Day 24：搭一个工作流（n8n 或 Dify）

装 n8n（docker run -p 5678:5678 n8nio/n8n）
搭一个最简流程：
- 触发（如手动按钮）
- 调 Ollama 生成
- 输出到本地文件
第一个无代码工作流诞生

如果觉得 Docker 麻烦，跳到 Day 25。

Day 25：建立"每周复盘"机制

让本地 AI 帮你做"每周 / 每月复盘"
system prompt：你是我的复盘教练，每周问我 5 个深度问题
今天就来一次"过去这周"的复盘
把这个习惯固定下来

Day 26：安全自检

读第十六章
完成第 16.7 节的 8 件事自检清单：
- 关闭使用统计
- 检查监听端口
- 升级到最新版
- 开 FileVault / BitLocker
- 知识库备份
- 删除不用的插件
- 开启对话日志
- 强密码（如果共享）

Day 27：分享你的本地 AI 玩法

给 1 个朋友 / 同事演示你最爱的 1 个本地 AI 玩法
帮他们装好 Ollama + Cherry Studio
听他们的反馈：他们最感兴趣的是什么？
教别人是最好的学习

Day 28：写下你的"专属工作流"

复盘前 27 天，写一份 1000 字的"我的本地 AI 工作流"
包含：
- 我用的工具组合
- 我的 5 个高频场景
- 我的 3 个独特玩法
- 我接下来想探索的方向
存到 Obsidian / 飞书 / Notion

Day 29：建立每月跟进机制

在日历里设个每月一次的"本地 AI 升级日"
每次做：
- 检查工具更新
- 评估有没有新模型值得换
- 复盘上月使用情况
- 增 / 删工作流
本地 AI 不是装一次就完——是持续维护的

Day 30：庆祝 + 展望

用本地 AI 给自己写一封信：
- 30 天前的我 vs 现在的我，在哪些方面变了？
- 这 30 天里，最让我感动的本地 AI 时刻是哪个？
- 接下来 1 年，我想用本地 AI 做的 1 件大事是什么？
把这封信打印 / 截图 / 保存
30 天前的你，已经回不去了

完成 30 天打卡后

恭喜你！你已经做到了：

✅ 跑通了本地 AI：从零安装到日常使用 ✅ 建立了 5+ 个真实场景：写日记、翻译、文档、知识库、笔记 ✅ 接入了你的日常软件：浏览器、Obsidian、Apple 快捷指令 ✅ 掌握了多模态：看图、听声、说话、出图 ✅ 建立了 Agent：让本地 AI 主动干活 ✅ 有了安全意识：知道哪些坑要避 ✅ 有了长期机制：每月复盘 + 持续学习 ✅ 教了别人：分享让你和社区互相成长

接下来 1 年的进阶路径

如果你想更深入，下面是建议方向：

路径 A：深度个人定制（写作者 / 知识工作者）

微调一个"你专属"的模型（用 LLaMA-Factory）
搭家庭 AI 中枢（Mac mini）
学 Tailscale 做远程访问

路径 B：Agent 高级玩家

学 LangChain / LangGraph
做多 Agent 协作系统
写自己的 MCP Server

路径 C：商业化

帮中小企业部署本地 AI
写本地 AI 教程 / 课程
做行业垂直应用

路径 D：开源贡献

给 Ollama / Cherry Studio / AnythingLLM 提 PR
写 Hugging Face 模型卡 / 量化版本
写优质教程到 GitHub

不论你选哪条，记住：本地 AI 是工具，最终目的是让你更自由、更高效、更有创造力。

一句话送给坚持完成的你

—— 本书作者