无需Docker Compose的LibreChat安装指南

无需Docker Compose的LibreChat安装指南 | AI生成和翻译

Home 2025.10

是的，你可以不使用 Docker Compose 来设置 LibreChat，只需使用单独的 docker run 命令，甚至可以采用非 Docker 方法（手动安装 Node.js、Yarn、MongoDB 和 MeiliSearch）。这样可以避免下载 docker-compose 二进制文件本身（它很小，约 20-30MB，但我猜你指的是 LibreChat 服务总共需要拉取约 70MB+ 的镜像）。然而，核心的 Docker 镜像（例如应用、MongoDB、MeiliSearch）在拉取后总共仍有约 500MB-1GB——Docker Compose 只是 Docker 之上的编排工具，并非主要的带宽消耗者。在缓慢的 4G/5G 网络上拉取镜像仍然是瓶颈，但你可以缓解这个问题。

下面我将列出几种方案，优先介绍节省带宽的技巧。如果移动数据非常有限，可以考虑暂时连接到 WiFi 网络，或在另一台机器上使用预下载的设置（例如，通过 docker save/docker load 导出/导入镜像）。

任何基于 Docker 的设置节省带宽的技巧

在更快的连接上预拉取镜像：在另一台网络更好的设备上，运行 docker pull node:20-alpine（用于应用）、docker pull mongo:7（数据库）和 docker pull getmeili/meilisearch:v1.10（搜索）。然后将它们保存为文件：
```
docker save -o librechat-app.tar node:20-alpine
docker save -o mongo.tar mongo:7
docker save -o meili.tar getmeili/meilisearch:v1.10
```
通过 USB/驱动器传输 .tar 文件（总共约 500-800MB 压缩后），然后在你的 Ubuntu 机器上运行：docker load -i librechat-app.tar 等。无需在线拉取。
使用更轻量的替代方案：为了测试，可以暂时跳过 MeiliSearch（搜索功能是可选的；在配置中禁用它）。MongoDB 镜像约 400MB——改用本地 MongoDB 安装（见下面的非 Docker 部分）可以节省约 400MB。
监控使用情况：使用 docker pull --quiet 或类似 watch docker images 的工具来跟踪。
代理或缓存：如果你有 Docker Hub 镜像或代理，可以在 /etc/docker/daemon.json 中配置以加速拉取。

方案 1：纯 Docker（无 Compose）——等同于 Compose 设置

你可以使用 docker run 和 docker network 来复制 docker-compose.yml 的行为。这会下载相同的镜像，但让你控制每个步骤。总下载量仍约为 700MB+（应用构建 + 数据库）。

创建 Docker 网络（隔离服务）：

docker network create librechat-network

运行 MongoDB（将 your_mongo_key 替换为强密码）：

docker run -d --name mongodb --network librechat-network \
  -e MONGO_INITDB_ROOT_USERNAME=librechat \
  -e MONGO_INITDB_ROOT_PASSWORD=your_mongo_key \
  -v $(pwd)/data/mongodb:/data/db \
  mongo:7

创建 ./data/mongodb 用于持久化。

运行 MeiliSearch（将 your_meili_key 替换为强密码）：

docker run -d --name meilisearch --network librechat-network \
  -e MEILI_MASTER_KEY=your_meili_key \
  -p 7700:7700 \
  -v $(pwd)/data/meili:/meili_data \
  getmeili/meilisearch:v1.10

如果带宽紧张，可以跳过；稍后在应用配置中禁用。

克隆并构建/运行 LibreChat 应用：
- 如果尚未完成，克隆仓库：git clone https://github.com/danny-avila/LibreChat.git && cd LibreChat（仓库下载约 50MB）。
- 构建镜像（这会拉取 Node.js 基础镜像约 200MB 并构建应用层）：
```
docker build -t librechat-app .
```
- 运行它（连接到数据库，使用环境变量——像我之前的回复中一样创建一个 .env 文件）：
```
docker run -d --name librechat --network librechat-network -p 3080:3080 \
  --env-file .env \
  -v $(pwd):/app \
  librechat-app
```
  - 在 .env 中，设置 MONGODB_URI=mongodb://librechat:your_mongo_key@mongodb:27017/LibreChat 和 MEILI_HOST=http://meilisearch:7700 等。
访问：http://localhost:3080。日志：docker logs -f librechat。

停止/清理：docker stop mongodb meilisearch librechat && docker rm them。
优点/缺点：与 Compose 相同，但更手动。镜像拉取/构建仍然消耗大量数据。

方案 2：非 Docker 安装（手动，无镜像拉取）——推荐用于低带宽情况

在 Ubuntu 上原生安装依赖项。这避免了所有 Docker 开销（容器约 0MB；仅通过 apt/yarn 下载包，总共约 200-300MB）。间接使用你系统的 Python/Node 设置。

先决条件（一次性安装）

sudo apt update
sudo apt install nodejs npm mongodb-org redis meilisearch git curl build-essential python3-pip -y  # MongoDB 官方包；MeiliSearch 约 50MB 二进制文件
sudo systemctl start mongod redis meilisearch
sudo systemctl enable mongod redis meilisearch

Node.js：如果不是 v20+，通过 nvm 安装：curl -o- https://raw.githubusercontent.com/nvm-sh/nvm/v0.39.7/install.sh | bash，然后 nvm install 20。
Yarn：npm install -g yarn。
MongoDB 配置：编辑 /etc/mongod.conf 绑定到 localhost，然后重启。

安装步骤

克隆仓库：

cd ~/projects
git clone https://github.com/danny-avila/LibreChat.git
cd LibreChat

安装依赖项：

yarn install  # 约 100-200MB 的包下载

配置 .env（从 .env.example 复制）：
- cp .env.example .env && nano .env
- 关键更改：
  - Mongo：MONGODB_URI=mongodb://localhost:27017/LibreChat（如果需要，通过 mongo shell 创建数据库用户）。
  - Meili：MEILI_HOST=http://localhost:7700 和 MEILI_MASTER_KEY=your_key。
  - 如果跳过 Meili，禁用搜索：SEARCH=false。
  - 根据需要添加 AI 密钥。
构建并运行：
- 在一个终端中：yarn run backend（在端口 3090 启动 API）。
- 在另一个终端中：yarn run frontend（在端口 3080 启动 UI）。
- 或者在生产环境中使用 PM2：yarn global add pm2 && pm2 start yarn --name backend -- run backend 等。
访问：http://localhost:3080。创建账户并配置。

数据：MongoDB 存储在 /var/lib/mongodb，Meili 存储在 /var/lib/meilisearch。
故障排除：
- Mongo 认证：运行 mongo 并创建用户：use LibreChat; db.createUser({user: 'librechat', pwd: 'yourpass', roles: ['readWrite']})。
- 端口/防火墙：sudo ufw allow 3080,3090,7700。
- 更新：git pull && yarn install && restart services。
优点：带宽消耗更轻（无容器），直接使用系统资源。缺点：设置更繁琐，可能存在依赖冲突（例如，与你的 Python 3.13，但 Node 是独立的）。

如果移动数据极其有限，非 Docker 方法是最佳选择——分阶段进行，使用 du -sh 监控目录。对于错误，请分享日志（例如来自 yarn run backend）。官方非 Docker 指南：https://docs.librechat.ai/install/installation/manual_install.html。如果你需要 Ollama 集成以使用本地 AI（节省 API 成本），请通过他们的脚本单独安装（约 100MB）。如果需要调整，请告诉我！

Back

x-ai/grok-4-fast:free

Donate