好用斋官网实战：网站 AI 适配，4B 小模型也能自动安装 Docker 懒人包

📺 本图文教程由视频整理而成，对应的参考视频：好用斋官网实战网站AI适配～4B小模型也能自动安装docker懒人包～。如需查看更详细、更具体的操作演示，可观看原视频。

场景：你希望让 AI（尤其是本地部署的小模型）在你自己的网站或软件上自动完成操作，比如读取文档并一键安装 Docker 程序。本教程以好用斋官网为例，讲解网站侧应如何做「AI 适配」，让连 4B 模型都能顺利完成安装，而不只是依赖在线大模型。

第1步：先看 AI 适配能带来什么效果

要让 AI 自动安装程序，网站侧必须先「适配」到位。适配前后的差距非常明显。

1. 旧版网站：即使做了简单适配，也必须使用 27B～30B 以上的大模型，并且要详细说明文件，AI 才能安装成功。
2. 适配后：使用 Hermes 或 OpenClaw 这类带记忆的 Agent，配合 4B 级本地模型，只需一句话即可完成安装。

实测环境：Hermes + Spark X2.5（4B 模型）。

第2步：用 AI 反查网站的适配水平

先让 AI 自己评价官网的适配情况，作为效果参考。

1. 使用 Kimi 对好用斋官网进行 AI 适配评价。只有 Kimi 会真正读取网站内容，其它国内在线大模型基本靠搜索其它页面拼凑评价，并不读原站。
2. 评价结果：满分 10 分给出 8.5 分（有时 9 分），评语为「明显高于普通中文内容站，已经把 AI 当作一等公民的设计」，并认为已达到「国内教程站中的上层水平」。

注意

Kimi 免费用户经常提示「资源不足」，这是其当前唯一的明显缺点，测试时请有心理预期。

第3步：一句话完成懒人包安装

适配完成后，安装动作简化为一句自然语言。以飞牛系统安装 LitePan 为例，在 Agent 中输入：

使用好用斋，安装 LitePan

回车后 AI 的执行过程如下。

1. 自动读取官网的指引文件（llms.txt）。
2. 自动识别当前系统为「飞牛」，并找到系统 id。
3. 自动查询 LitePan 对应的应用 id。
4. 读取该组合对应的详细文档，下载脚本并执行，追加 compose 文件。
5. 执行 docker compose up -d 完成安装。

整个安装约 2～3 分钟，有时更快。安装完成后打开 Docker 管理器，可见 LitePan 已正常运行，访问 5211 端口（LitePan 的 Web 端口）正常打开页面，即安装成功。

第4步：首次使用需补充的两个信息

只有多次使用过、且 Agent 已记住相关信息的用户，才能用上面那样的一句话。第一次使用，必须额外补充两点。

1. 说明你的系统，例如「安装飞牛版本的 LitePan」或「安装铁威马版本的 LitePan」，AI 才能定位到对应系统。
2. 给出具体的指引文件，例如：使用https://haoyongzhai.com/llms.txt，而不是只说「好用斋」。原因是很多小模型的在线搜索能力不足，未必能找到官网地址；即使给出网址，30B 以下的模型也建议直接给指引文件，才能保证成功率。

如果你使用 OpenClaw 或 Hermes 这类带记忆功能的 Agent，可以一次性告知并让它记住。

1. 告诉它「我的系统是飞牛」，之后无需再重复系统版本。
2. 把 llms.txt 的文件地址告诉它，并约定「之后访问好用斋就直接读取该文件」。

记住之后，即可回归到第 3 步的一句话安装。

第5步：理解核心文件 llms.txt

llms.txt 是整个 AI 适配的关键，它放在好用斋官网的根目录下。

1. 它是目前业界建议性的文档，并非强制标准，因此不是所有 AI 都会遵循去读取它。
2. 使用足够聪明的大模型 + Agent（OpenClaw、Hermes、TRAE、OpenCode 等）访问网站时，基本都会读取该文件。
3. 30B 以下的本地模型、以及大多数网页版在线模型，通常不会主动读取该类文件，甚至不访问网站具体内容，只靠网页搜索作答，结果相对不可靠。
4. 即使本地模型读到了文件，如果文件写得不够详细，小模型仍然无法处理。

注意

llms.txt 属于「建议性标准」。想让它真正生效，需要针对小模型把内容写得足够直白、足够详细。

第6步：llms.txt 的设计思路——把饭喂到嘴边

适配的核心目标是让本地小模型也能正确读取并执行，因此设计原则是：不要让它多思考，直接把饭喂到嘴边。

1. 早期写法沿用懒人包的编程逻辑：让 AI 自己选系统、选应用、再自行拼装路径。这样对模型智商要求极高，30B/27B 尚可，20B 容易出错，9B 看运气，4B 基本不可能。
2. 现行写法改为：页面顶部做简单介绍，下方用「安装 docker 程序，AI 按此执行」这类指令明确划定给 AI 使用的区域。
3. 明确要求 AI 直接按文档执行，不要自行编写脚本。小模型能力不足，自行编写常常拼错命令。
4. 给出固定模板：好用斋官网地址 + lazybag + install + 系统 id + 应用 id + .md，前段固定，只需替换两个 id。
5. 安装数量较多时，改为让 AI 读取汇总文档 all.md 再「从多到少做减法」，而不是逐个拼装。例如要装 46 个，就把 48 个的完整文档读入再减掉 2 个，这样小模型更容易操作。

第7步：获取系统 id 与应用 id

拼装路径的两个关键参数就是「系统 id」和「应用 id」。

1. 系统 id：官网共适配 7 个系统，包括飞牛、iStoreOS、绿联、群晖、铁威马、拾光坞，以及 Windows 的 WSL。
2. 应用 id：共 48 个应用，需在应用清单文档中查询。例如 Jellyfin 的 id 为小写 jellyfin，网盘聚合 LitePan 的 id 为 litepan。
3. 拼接示例：系统 id 为 feiniu、应用 id 为 litepan，拼出文档路径 https://haoyongzhai.com/lazybag/install/feiniu/litepan.md，即可访问对应的详细文档。

打开该文档后，可看到系统说明、目录位置、服务名、参考视频，以及最底部的完整 Compose 脚本。

注意

过去需要 AI 根据系统自行拼接路径，错误率非常高。现在文档已按「系统 + 应用」精确固定内容，模型只需读取与复制，不再做任何拼装。

第8步：336 个精准文档，力大砖飞

为了彻底降低小模型出错率，官网把内容按系统与应用的组合全部拆开。

1. 7 个系统 × 48 个应用 = 336 个文档。
2. 每个文档都精确对应「一个系统 + 一个程序」，内容完整、无需拼接。
3. 方法看似笨拙，但效果显著：4B 模型同样能顺利读取到正确内容并正确运行。

第9步：另一种思路与取舍（可选）

AI 适配不止一种做法，可结合自身情况选择。

1. 方案一：把网站做成 MCP 服务器，对外提供 API 接口，读取效率同样很高。
2. 未采用方案一的原因：MCP 需要终端用户自行完成服务器对接，而观看教程的大多是新手用户，会增加使用负担；能对接 MCP 的用户，本身通常也不再需要一键懒人包。

第10步：为什么要把懒人包做 AI 适配

直接让大模型安装程序同样能成功，为什么还要走官网流程？主要基于两点。

1. 规范与稳定。在线大模型虽然迟早能装成功，但路径可能不规范、配置比较粗犷；官网脚本经过作者实测与大量用户验证，成功率和稳定性更强。
2. 照顾本地小模型用户。部分用户不便使用在线大模型，或认为费用偏高，倾向使用本地小模型。官网的适配正是为这部分用户准备的，本地小模型也能获得很友好的安装体验。

因此也建议所有软件官网作者，未来都对网站做一定的 AI 适配，让 AI 更容易找到你的网站并完成对应软件的安装。

AI 执行流程复盘

从 AI 的思考过程看，整个流程非常清晰。

1. 访问并读取 llms.txt（最重要的入门指引文件）。
2. 读取到系统 id 说明，定位「飞牛」对应 id 为 feiniu。
3. 前往应用 id 清单，查到 LitePan 的 id 为 litepan。
4. 自动拼装出对应文档路径并读取全部内容。
5. 下载脚本并执行，追加 compose 文件，最后运行 docker compose up -d。
6. 输出结果：无报错，并给出端口号、挂载路径与后续升级信息。

整个过程中，4B 模型速度很快、结果准确，全程在其能力范围之内。

总结

1. 网站 AI 适配的核心是「降低对模型智商的要求」：用详细的固定文档替代模型推理与拼装。
2. llms.txt 是入口，放在网站根目录；配合 336 个精准文档，4B 小模型也能稳定完成安装。
3. 使用带记忆的 Agent（OpenClaw、Hermes 等）时，只需一次性告知系统与指引文件，之后一句话即可安装。
4. 官网脚本经过实测与用户验证，规范性和稳定性优于让大模型自由发挥。

参考视频

好用斋官网实战网站AI适配～4B小模型也能自动安装docker懒人包～

好用斋官网

• 好用斋官网：https://haoyongzhai.com