本地离线AI Agent落地实践：Mac M2+Ollama+Pi+Titan持久记忆搭建全流程

标签：Ollama本地大模型 | Pi Agent | Titan长期记忆 | MacBook本地AI开发

一、我的本地硬件基础环境

设备：MacBook M2 24G

本地大模型服务：Ollama（完全离线运行，不依赖外网API）

当前使用模型：gemma4:e4b

选择这套硬件做本地AI Agent的核心原因：

M2芯片统一内存架构，24G大内存可流畅承载本地嵌入模型+对话大模型，无交换磁盘卡顿；
Ollama轻量化部署，一键拉取量化模型，离线即可完成推理、向量嵌入；
不想依赖OpenAI、Gemini等云端API，所有对话、记忆数据本地存储，隐私可控。

二、为什么选择 Pi 作为本地AI Agent

Pi（pi-coding-agent）是面向本地Ollama的命令行智能代理工具，相比直接调用ollama run有三大优势：

支持插件技能扩展，可安装记忆、检索、代码工具等拓展能力；
原生适配终端工作流，可直接调用bash、读取本地项目文件；
支持持久化记忆插件，解决原生Ollama会话关闭上下文丢失的痛点。

安装基础Pi环境前置命令：

   123456789101112   
# 全局安装Pi Agent  
  
npm install -g @mariozechner/pi-coding-agent  
  
# 后台常驻Ollama服务  
  
ollama serve &  
  
# 拉取本地向量嵌入模型（记忆功能必备）  
  
ollama pull nomic-embed-text

三、Titan记忆技能完整部署踩坑&落地流程

3.1 安装Titan记忆技能

进入Pi交互终端，执行技能安装：

   12 pi install npm:titan-pi-memory

3.2 Mac系统核心坑：Python外部托管环境报错

Mac新版系统自带Python禁止全局pip安装包，直接部署会提示externally-managed-environment，导致Titan服务启动失败。

解决方案：为Titan单独创建虚拟环境

   12345678910111213141516   
# 进入Titan工作目录  
  
cd /Users/hjc/.titan/agents/pi  
  
# 创建独立虚拟环境  
  
python3 -m venv venv_titan  
  
# 激活环境  
  
source venv_titan/bin/activate  
  
# 安装向量依赖库  
  
pip install chromadb sentence-transformers python-dotenv requests numpy

修改.env配置文件，指定虚拟环境Python路径，规避系统Python冲突。

3.3 切换本地Ollama向量模式（关键步骤）

执行配置指令：

   12   
/titan-key

工具默认弹出Gemini/OpenAI等云端服务商菜单，无本地Ollama选项，需要手动修改~/.titan/agents/pi/.env写入本地向量配置：

   1234567891011121314   
EMBEDDING_PROVIDER=ollama  
  
OLLAMA_URL=http://127.0.0.1:11434  
  
OLLAMA_EMBED_MODEL=nomic-embed-text  
  
# 清空云端密钥，禁用外网依赖  
  
OPENAI_API_KEY=  
  
GEMINI_API_KEY=  
  
DEEPSEEK_API_KEY=

3.4 初始化并启动记忆服务

   123456789101112   
# 初始化本地向量数据库  
  
/titan-setup  
  
# 开启对话自动记忆存储、自动检索  
  
/titan auto-recall on  
  
# 优化Mac内存占用，单次最多调取2条历史记忆  
  
/titan recall-limit 2

执行/titan-status验证部署成功：

Server: running（8002端口后台常驻）
Config: configured（本地Ollama向量配置生效）
全部记忆文件持久化存储于/Users/hjc/.titan/agents/pi目录，离线本地留存。

四、本地持久记忆功能实测验证

4.1 存入设备环境长期记忆

两种存储方式区分：

对话自动存储（推荐，支持向量检索）

直接对话输入：记住我的设备是MacBook M2 24G，本地Ollama离线运行gemma4:e4b

手动写入会话日志（仅对话可见，无法用query检索）

12
/titan add-memory 我当前运行你使用的设备是MacBook M2 24G，本地Ollama离线运行gemma4:e4b

4.2 跨会话长期记忆测试流程

Ctrl+D完全退出Pi终端，清空当前会话；
重新执行pi启动全新会话；
直接提问：我使用什么设备，本地跑的什么Ollama模型？

Agent自动读取本地向量库存储的历史信息，精准输出设备与模型配置，证明长期离线记忆功能完全可用。

4.3 常用Titan记忆操作指令汇总

   1234567891011121314151617181920   
# 查看Titan后台运行状态  
  
/titan-status  
  
# 手动语义检索历史记忆  
  
/titan query 关键词  
  
# 开启/关闭自动记忆  
  
/titan auto-recall on/off  
  
# 清空全部本地记忆（不可逆）  
  
/titan clear-memories  
  
# 写入可检索的永久配置记忆  
  
/titan-config store "自定义长期信息"

五、后续本地Agent应用规划

整套离线AI环境搭建完成后，后续将基于Pi+Titan本地Agent实现全离线本地工作流：

项目知识库记忆：将本地Obsidian笔记、工艺项目文档存入Titan向量库，实现本地私有知识库问答；
终端自动化操作：依靠Pi原生bash调用能力，自动化处理文件、脚本、树莓派/本地服务运维；
课题专属记忆沉淀：存储液体火箭发动机工艺博士课题相关参数、文献、需求，形成专属本地AI助手；
完全隐私闭环：所有对话、文档、记忆数据仅存在本机，无任何外网上传，满足工程涉密内容本地处理需求。

六、避坑总结

Mac部署Titan必须搭建独立Python虚拟环境，不要使用系统Python安装依赖；
/titan-key菜单无本地Ollama选项，需手动修改.env强制切换本地向量模式；
/titan add-memory仅存入会话日志，如需支持关键词检索，优先使用对话自动记忆或titan-config store；
内存有限设备建议调低recall-limit数值，减少向量检索内存占用。