Alumnium 是一个 AI 原生的端到端（E2E）测试自动化框架，让测试工程师和 AI Agent 用自然语言驱动浏览器与 App。本文带你用Ollama 本地 LLM对 Alumnium 做私有化部署，实现 AI 测试自动化全程离线运行——页面内容、业务数据不出内网，且零 API 调用成本。

一、为什么用 Ollama 做 AI 测试的私有化部署

使用云端大模型 API 时，每一次测试都会把页面的可访问性树（Accessibility Tree）甚至截图发送到外部服务。对于银行、政企、医疗等场景，这是不可接受的。Ollama 方案的优势：

• 🔒数据安全：模型推理完全发生在内网机器上，测试数据不出内网
• 💰成本归零：无需按 token 付费，模型一次下载、无限次调用
• 📡离线可用：无外网环境（如生产隔离网段）也能跑自动化测试
• ⚖️灵活可控：可自由替换开源模型，按内网 GPU/CPU 硬件选型

Alumnium 官方文档列出了 4 种自建 LLM 途径（Amazon Bedrock、Azure Foundry、Azure OpenAI、Ollama），其中Ollama 是唯一完全本地推理的方案，详见 self-hosting.md。

二、30 秒理解：Alumnium 如何驱动 AI 测试

Alumnium 的架构非常简洁：测试驱动 + 可替换的 LLM 大脑。

• 底层复用成熟生态：Playwright、Selenium、Appium、Maestro
• 上层用自然语言写测试：act（执行动作）、check（断言）、get（取数据）
• LLM 通过环境变量ALUMNIUM_MODEL指定提供方，ollama是内置 provider 之一

模型配置逻辑在 TypeScript 端 Model.ts 中定义，Python 端对应 models.py：provider 为ollama时，默认模型是qwen3.6，也可写成ollama/<自定义模型名>指定其他已下载的模型。

三、Ollama 一键安装与模型下载

1. 安装 Ollama（内网机器上运行，支持 Linux / macOS / Windows，可无 GPU 纯 CPU 运行）。

2. 下载模型（首次需要外网；离线环境可先在有网机器上ollama pull后拷贝模型文件）：

ollama pull qwen3.6 ollama list # 验证模型已就绪

3.（可选）开放内网访问：默认 Ollama 只监听 localhost。若要把模型部署到内网服务器供多台测试机共享，安装后设置环境变量OLLAMA_HOST=0.0.0.0并重启服务即可。

四、配置 Alumnium 连接本地模型：环境变量速查

只需两个环境变量，Alumnium 就会把模型请求全部发往你的 Ollama 服务：

💡 官方约定变量OLLAMA_HOST同样被识别且优先级更高，见 LlmFactory.ts#L223-L236。

以 Python 为例，本地 Ollama 跑一个 AI 自动化测试：

import os from alumnium import Alumni from selenium.webdriver import Chrome os.environ["ALUMNIUM_MODEL"] = "ollama" os.environ["ALUMNIUM_OLLAMA_URL"] = "http://10.0.0.8:11434" # 内网 Ollama 服务器 driver = Chrome() driver.get("http://demo.intranet.local") al = Alumni(driver) al.do("type 'buy bread' into the input field, then press 'Enter'") al.check("the list shows an item 'buy bread'") al.quit()

TypeScript 与 Java 版本完全一致，只需设置相同的环境变量。

五、进阶：用 MCP 把内网模型接给 AI Agent

如果希望 Claude Code 等 AI 编码助手直接操作内网应用做测试，可以开启 MCP 模式，把 Ollama 作为后端大脑：

# 启动 Alumnium MCP 服务（指向内网 Ollama） export ALUMNIUM_MODEL=ollama export ALUMNIUM_OLLAMA_URL=http://10.0.0.8:11434 alumnium mcp

配置入口与 MCP 相关源码 保持一致，Agent 收到的可访问性树和截图同样只经过内网模型处理。

六、团队共享方案：Helm 部署 Alumnium Server + Ollama

个人本机跑通后，团队级部署推荐Kubernetes + Helm：把 Alumnium Server 和 Ollama 都放进内网集群，客户端通过ALUMNIUM_SERVER_URL统一接入。

1. 部署 Alumnium Server（官方 Helm Chart 位于 charts/alumnium/）：

helm install alumnium ./charts/alumnium \ --set config.model=ollama \ --set env[0].name=ALUMNIUM_OLLAMA_URL \ --set env[0].value=http://ollama.intranet:11434

2. 客户端指向 Server：

kubectl port-forward svc/alumnium 8013:8013 export ALUMNIUM_SERVER_URL=http://127.0.0.1:8013

⚠️ 注意：Alumnium Server不带认证机制，Ingress 暴露前务必做 IP 白名单或 OAuth2 代理，详见 charts/alumnium/README.md 与 values.yaml。

另外两个生产调优要点：

• 每个请求会携带整页可访问性树，可能超过 1 MB，Ingress 需调大请求体上限，否则报413
• 本地模型推理较慢，Ingress 后端超时建议调到 60s 以上

七、常见问题与调优建议

完整的环境变量说明参见官方配置文档 configuration.md。

八、总结

一句话回顾 Alumnium 私有化部署三步走：装 Ollama 拉模型 → 设ALUMNIUM_MODEL=ollama两个环境变量 → 跑测试。个人本机、MCP Agent、K8s 团队服务三种形态均可实现 AI 测试自动化数据不出内网。随着本地开源模型能力持续提升，这条"零成本 + 高安全"的路线正在成为内网自动化测试的标准答案。