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。

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。

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 libreoffice

Windows 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 | sh

Windows 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_HOST=127.0.0.1:11435 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, json=payload, timeout=300) 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, json=payload, timeout=300) 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 ./output

libreoffice --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, json=payload, timeout=300) result = resp.json()["choices"][0]["message"]["content"] return jsonify({"result": result}) if __name__ == "__main__": app.run(host="127.0.0.1", port=8001)

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 PDF：

from pathlib import Path import subprocess input_dir = Path("inputs") output_dir = Path("output") output_dir.mkdir(exist_ok=True) for f in input_dir.glob("*.docx"): cmd = [ "libreoffice", "--headless", "--convert-to", "pdf", str(f), "--outdir", str(output_dir) ] proc = subprocess.run(cmd, capture_output=True, text=True) if proc.returncode == 0: print(f"OK: {f.name}") else: print(f"FAIL: {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 outputs

Python 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_ok=True) for f in input_dir.glob("*.md"): text = f.read_text(encoding="utf-8") result = refine(text, "润色，保持原意，使表达更专业") output_dir.joinpath(f.name).write_text(result, encoding="utf-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-smi

Windows 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

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。