1 核 1G VPS 能部署哪些 AI 工具？低配服务器使用边界

1 核 1G VPS 的配置常被看作“入门级”，但用来跑 AI 工具并非完全不可能。关键要搞清楚边界：能跑的是轻量级 API 调用型工具、小模型推理、自动化工作流，跑不了本地大模型（7B 以上）和实时高并发服务。主机选这篇文章就帮你梳理清楚，哪些 AI 工具能在这个低配环境下稳定运行，哪些是坑，以及怎么配置才能榨干这 1 核 1G 的价值。

低配 VPS 部署 AI 工具的核心原则

1 核 1G 最缺的是内存和 CPU 算力。部署任何 AI 工具前，先确认两点：工具是否依赖本地模型加载（比如 Ollama 跑 7B 模型直接爆内存），以及是否需要在本地进行大量计算（比如视频处理、模型训练）。能用 API 调用的，就别本地跑模型。能用 Docker 限制资源的，就别裸机装。

内存不足的常见表现

• 进程被 OOM Killer 杀掉（`dmesg | grep -i oom` 可查）

• 系统响应缓慢，SSH 卡顿

• Docker 容器启动后立即退出（`docker logs <容器名>` 看错误日志）

1 核 1G 能跑的 AI 工具清单

Ollama + 小模型（1B-3B）

Ollama 可以在 1G 内存下运行极小参数模型，比如 `qwen:0.5b`、`phi3:mini`、`llama3.2:1b`。实测 `ollama run qwen:0.5b` 占用约 500MB 内存，加上系统开销勉强能跑。但注意：不要用 `ollama run llama3.2:3b`，那会直接 OOM。

curl -fsSL https://ollama.com/install.sh | sh
ollama pull qwen:0.5b
ollama run qwen:0.5b "Hello"

Docker 部署时要限制内存：

docker run -d –memory="512m" –memory-swap="1g" -p 11434:11434 ollama/ollama

n8n 自动化工作流（纯 API 调用）

n8n 本身是 Node.js 应用，1 核 1G 可以跑，但建议用 Docker 限制资源。n8n 不调用本地模型，只做 API 编排，内存占用约 300-400MB。配合 OpenAI / Claude API 使用，完全可行。

version: '3'
services:
n8n:
image: n8nio/n8n
ports:
– "5678:5678"
environment:
– N8N_BASIC_AUTH_ACTIVE=true
– N8N_BASIC_AUTH_USER=admin
– N8N_BASIC_AUTH_PASSWORD=yourpassword
deploy:
resources:
limits:
memory: 512M

启动后通过 `http://你的IP:5678` 访问，记得在防火墙放行该端口。

Claude Code / Codex（仅 API 调用模式）

Claude Code 和 Codex 的本地 Agent 模式（如 Claude Code CLI）需要 Node.js 运行环境，本身不跑模型，但会频繁调用 API。1 核 1G 完全够用，但要注意：不要同时开多个终端会话，否则内存容易爆。

安装 Claude Code（需要 Node.js 18+）：

curl -o- https://raw.githubusercontent.com/nvm-sh/nvm/v0.39.7/install.sh | bash
source ~/.bashrc
nvm install 18
npm install -g @anthropic-ai/claude-code
export ANTHROPIC_API_KEY=你的key
claude

常见坑：如果 VPS 内存只有 1G，运行 `npm install` 时可能会因内存不足报错，建议先增加 swap：

dd if=/dev/zero of=/swapfile bs=1M count=1024
chmod 600 /swapfile
mkswap /swapfile
swapon /swapfile
echo "/swapfile none swap sw 0 0" >> /etc/fstab

Hermes Agent（轻量级 AI Agent）

Hermes Agent 是一个基于 API 调用的 AI Agent 框架，依赖 Python 3.10+ 和少量库。1 核 1G 可以运行，但建议使用虚拟环境并限制内存。实测启动后占用约 200MB，主要内存用于 Python 运行时和 API 请求缓存。

python3 -m venv hermes_env
source hermes_env/bin/activate
pip install hermes-agent
hermes run –model gpt-4o-mini

注意：不要用本地模型（如 Ollama 作为后端），否则内存不够。

MCP 服务器（Model Context Protocol）

MCP 服务器是一个轻量级中间件，用于连接 AI 工具和外部数据源。1 核 1G 可以跑一个 MCP Server 实例，内存占用约 100-200MB。常用场景：通过 MCP 让 Claude 读取本地文件或数据库。

npm install -g @modelcontextprotocol/cli
mcp-server filesystem –root /path/to/data

绝对不能跑的工具和场景

•本地 7B+ 模型：哪怕量化后的 7B 模型也需要至少 4GB 内存加载，1G 直接 OOM。

•Stable Diffusion（本地绘图）：需要 GPU 和大量显存，CPU 推理慢到不可用。

•语音识别（Whisper 本地）：小模型（tiny）勉强能跑，但实时性很差，推荐用 API。

•多容器并发：同时跑 n8n + Ollama + 数据库，内存瞬间爆满。

老鸟叮嘱：避坑与优化

1.必开 swap：1G 物理内存非常紧张，swap 可以缓解突发内存需求，但别指望 swap 能跑大模型（磁盘 I/O 会卡死）。
2.限制 Docker 容器内存：不加 `–memory` 参数，容器可能吃掉所有内存导致系统崩溃。
3.监控内存使用：安装 `htop` 或 `glances`，实时查看进程内存占用。
4.不要用 root 跑服务：创建普通用户运行 Docker 或 Node 服务，防止权限泄露。
5.后台端口不要裸露公网：比如 n8n 的 5678 端口，建议用 Nginx 反向代理加密码认证，或只绑定本地回环地址。
6.定期清理日志：Docker 日志和系统日志可能撑满磁盘，配置 logrotate。

FAQ

Q1：1 核 1G VPS 能跑 Ollama 的 7B 模型吗？
不能。7B 模型即使量化也需要至少 4GB 内存加载，1G 内存会在启动时被 OOM 杀掉。只能跑 1B 或 0.5B 的极小模型。

Q2：n8n 在 1 核 1G 上跑会卡吗？
纯 API 调用模式不卡，但如果有大量 Webhook 并发请求，可能响应变慢。建议限制工作流执行并发数（n8n 设置中调整）。

Q3：Claude Code 需要多少内存？
启动时约 150-200MB，运行中会随对话上下文增加，但一般不超过 500MB。1G 内存够用，但不要同时开多个对话。

Q4：能不能用 Docker 同时跑 n8n 和 Ollama？
不推荐。Ollama 跑小模型占 500MB，n8n 占 300MB，加上系统开销，内存剩余极少，容易触发 OOM。建议只跑一个服务。

Q5：低配 VPS 部署 AI Agent 有什么安全注意事项？
API Key 不要写死在代码里，用环境变量或 `.env` 文件；Webhook 地址不要暴露公网；定期更新依赖包。

Q6：swap 设置多大合适？
建议 1-2GB。太大了会频繁读写磁盘，影响性能。如果 VPS 是 SSD，swap 可用性会好一些。

总结

1 核 1G VPS 的边界很清晰：能跑 API 调用型 AI 工具（Claude Code、n8n、Hermes Agent、MCP）和极小模型（Ollama 0.5B），但跑不了本地大模型、实时语音、图像生成。部署时务必做内存限制、开启 swap、监控资源。别想着用这个配置跑生产级 AI 服务，但用来学习和验证自动化工作流、轻量 Agent 完全够用。