工作站与博客环境

本文由 AI 根据我在服务器上的实际操作记录和三份自动化脚本整理生成，主要用于之后再次部署时参考。
请务必在使用前自行检查命令、版本号和配置是否符合当前环境，避免因系统更新或个人环境差异导致问题。

一、整体目标与脚本概览

在一台 Ubuntu 24.04.3 LTS 服务器上，我为自己常用的几个场景写了三份自动化脚本，用来快速完成以下工作：

• GPU 环境：
  • 禁用 nouveau
  • 安装并锁定 Nvidia 驱动
  • 安装 CUDA / nvidia-cuda-toolkit
  • 安装并配置 nvidia-container-toolkit，让 Docker 能使用 GPU
• AI 服务：
  • 使用 Docker 运行 GPU 版 Ollama，可选自动拉取 Qwen3 系列模型
• 博客环境：
  • 安装 nvm 和 Node LTS
  • 安装 Hexo
  • 初始化和部署 Hexo 博客

对应的三个脚本分别是：

1. install_nvidia_cuda_container.sh
   禁用 nouveau、锁定当前内核、自动安装推荐的 Nvidia 驱动、安装 CUDA 工具链和 nvidia-container-toolkit，并完成基础测试。

2. run_ollama.sh
   使用 Docker 运行 GPU 版 Ollama 容器，并提供交互式选项，一键拉取常用的 Qwen3 系列模型。

3. setup_hexo_blog.sh
   安装 nvm + Node LTS + hexo-cli，创建或重建 Hexo 博客目录，安装依赖并配置 Git 部署。

下面分别介绍这三个脚本的设计思路、关键步骤和使用方式。

---

二、GPU 环境脚本：install_nvidia_cuda_container.sh

2.1 设计目标

这份脚本的目标是将「从零准备 GPU 环境」的一整套操作自动化，主要包括：

• 禁用开源驱动 nouveau，避免与官方 Nvidia 驱动冲突；
• 不再强制安装新内核，而是：
  • 识别当前正在使用的内核版本；
  • 尝试锁定与该版本相关的内核包，降低未来升级导致驱动失配的概率；
• 使用 ubuntu-drivers 自动检测并安装「推荐」的 Nvidia 驱动，而不是写死某个版本（比如 nvidia-driver-535）；
• 安装 nvidia-cuda-toolkit，提供基础 CUDA 工具链（含 nvcc）；
• 安装并配置 nvidia-container-toolkit，让 Docker 容器可以访问 GPU；
• 最后进行三项测试：
  • 宿主机上的 nvidia-smi；
  • 宿主机上的 nvcc --version；
  • Docker 容器内的 nvidia-smi。

这些步骤对应了我在手动操作时的主要流程，但用更通用、更安全的方式实现（比如用 ubuntu-drivers devices 自动选驱动）。

---

2.2 关键步骤拆解

脚本的主要逻辑如下。

1. 禁用 nouveau 并更新 initramfs

• 创建或覆盖 /etc/modprobe.d/blacklist-nouveau.conf；

• 写入：

  blacklist nouveau
  options nouveau modeset=0

• 执行 sudo update-initramfs -u，让配置在下次启动时生效。

这样可以避免系统加载开源的 nouveau 模块，给后续官方驱动提供干净的环境。

2. 安装基础编译工具

• 执行 sudo apt-get update；
• 安装 build-essential（包含 gcc / g++ 等），为部分驱动或编译场景做准备。

3. 确认并锁定当前内核版本（不安装新内核）

• 使用 uname -r 读取当前正在运行的内核版本，例如 6.8.0-87-generic；
• 对以下可能存在的包进行检测并加 hold（如果存在就 apt-mark hold）：
  • linux-image-<当前内核版本>
  • linux-headers-<当前内核版本>
  • linux-modules-extra-<当前内核版本>

这样做的目的是：尽量保持「当前内核 + 当前驱动」这一组合的稳定，不追求自动升级；未来如果需要升级内核，再手动解除 hold 并重新规划。

4. 自动检测并安装推荐的 Nvidia 驱动

• 如果系统已有 ubuntu-drivers：
  • 执行 ubuntu-drivers devices，打印可用驱动；
  • 用 awk 从输出中解析带 recommended 标记的驱动包名（例如 nvidia-driver-535）；
  • 如果解析成功，则自动执行 sudo apt-get install -y <推荐驱动包>。
• 如果系统没有安装 ubuntu-drivers：
  • 先安装 ubuntu-drivers-common；
  • 再重复上述检测逻辑。
• 如果始终解析不到推荐驱动：
  • 脚本只会给出提示，让你之后手动执行 ubuntu-drivers devices 并根据输出自行选择驱动安装。

通过这种方式，脚本不写死驱动版本，而是配合 Ubuntu 官方的推荐策略，使脚本更适合未来系统的升级。

5. 安装 CUDA 工具链（nvidia-cuda-toolkit）

• 直接通过 apt 安装：

  sudo apt-get install -y nvidia-cuda-toolkit

• 然后尝试对常见的 CUDA 工具包名执行 apt-mark hold：

  • cuda-toolkit-12-0
  • cuda-toolkit-12.0

即便当前系统中不一定存在这些包名，脚本也会使用 || true 避免因此中断。

6. 安装并配置 NVIDIA Container Toolkit

• 安装 curl 和 gnupg2；
• 从 NVIDIA 官方源下载并导入 GPG key，写入 /usr/share/keyrings/nvidia-container-toolkit-keyring.gpg；
• 添加 libnvidia-container 的 apt 软件源，并绑定刚才的 keyring；
• 执行 sudo apt-get install -y nvidia-container-toolkit；
• 使用 sudo nvidia-ctk runtime configure --runtime=docker 配置 Docker Runtime；
• 重启 Docker 服务。

完成这一步后，Docker 就具备了 --gpus all 访问 GPU 的能力。

7. 测试与验证

• 宿主机上测试 nvidia-smi，确认驱动加载正常；
• 宿主机上测试 nvcc --version，确认 CUDA 编译器安装成功；
• 如果系统已安装 Docker：
  • 用 nvidia/cuda:12.6.0-base-ubuntu24.04 镜像在容器内运行 nvidia-smi，检查容器内能否看到 GPU。

脚本最后会提示「建议重启系统」。

---

2.3 脚本完整内容与使用方式

脚本内容（可以保存为 install_nvidia_cuda_container.sh）：

#!/usr/bin/env bash
set -e

echo "===> 1. 禁用 nouveau 驱动"

# 创建 / 修正 blacklist 配置文件
sudo mkdir -p /etc/modprobe.d

if [ -f /etc/modprobe.d/blacklist-nouveau.conf ]; then
  echo "已存在 /etc/modprobe.d/blacklist-nouveau.conf，覆盖更新配置..."
else
  echo "创建 /etc/modprobe.d/blacklist-nouveau.conf ..."
  sudo touch /etc/modprobe.d/blacklist-nouveau.conf
fi

sudo bash -c 'cat >/etc/modprobe.d/blacklist-nouveau.conf <<EOF
blacklist nouveau
options nouveau modeset=0
EOF'

echo "更新 initramfs..."
sudo update-initramfs -u

echo "===> 2. 更新 apt 源并安装编译工具"
sudo apt-get update
sudo apt-get install -y build-essential

echo "===> 3. 确认并锁定当前内核版本"
CURRENT_KVER="$(uname -r)"
echo "当前正在使用的内核版本为: ${CURRENT_KVER}"

# 尝试锁定当前内核相关包，避免自动升级导致驱动失配
if dpkg -l | grep -q "linux-image-${CURRENT_KVER}"; then
  echo "锁定 linux-image-${CURRENT_KVER}"
  sudo apt-mark hold "linux-image-${CURRENT_KVER}" || true
fi

if dpkg -l | grep -q "linux-headers-${CURRENT_KVER}"; then
  echo "锁定 linux-headers-${CURRENT_KVER}"
  sudo apt-mark hold "linux-headers-${CURRENT_KVER}" || true
fi

if dpkg -l | grep -q "linux-modules-extra-${CURRENT_KVER}"; then
  echo "锁定 linux-modules-extra-${CURRENT_KVER}"
  sudo apt-mark hold "linux-modules-extra-${CURRENT_KVER}" || true
fi

echo "当前内核信息："
uname -a || true

echo "===> 4. 查询并安装推荐的 Nvidia 驱动"

sudo apt-get update

# 尝试列出可用驱动
if command -v ubuntu-drivers >/dev/null 2>&1; then
  echo "检测可用的 Nvidia 驱动 (ubuntu-drivers devices)..."
  ubuntu-drivers devices || true

  # 自动解析带 recommended 标记的驱动包名
  RECOMMENDED_DRIVER="$(ubuntu-drivers devices 2>/dev/null | awk '/recommended/ {print $3; exit}')"

  if [ -n "$RECOMMENDED_DRIVER" ]; then
    echo "检测到推荐的 Nvidia 驱动为: ${RECOMMENDED_DRIVER}"
    echo "开始安装 ${RECOMMENDED_DRIVER} ..."
    sudo apt-get install -y "$RECOMMENDED_DRIVER"
  else
    echo "未能从 ubuntu-drivers devices 输出中解析到 recommended 驱动。"
    echo "你可以稍后手动运行 'ubuntu-drivers devices' 查看并选择合适的驱动安装。"
  fi
else
  echo "未找到 ubuntu-drivers 命令（可能未安装 ubuntu-drivers-common 包），尝试安装..."
  sudo apt-get install -y ubuntu-drivers-common || true

  if command -v ubuntu-drivers >/dev/null 2>&1; then
    echo "再次检测可用的 Nvidia 驱动..."
    ubuntu-drivers devices || true
    RECOMMENDED_DRIVER="$(ubuntu-drivers devices 2>/dev/null | awk '/recommended/ {print $3; exit}')"
    if [ -n "$RECOMMENDED_DRIVER" ]; then
      echo "检测到推荐的 Nvidia 驱动为: ${RECOMMENDED_DRIVER}"
      echo "开始安装 ${RECOMMENDED_DRIVER} ..."
      sudo apt-get install -y "$RECOMMENDED_DRIVER"
    else
      echo "仍未解析到 recommended 驱动，请手动选择并安装合适的 Nvidia 驱动。"
    fi
  else
    echo "仍然无法使用 ubuntu-drivers 工具，请手动安装合适的 Nvidia 驱动（例如 sudo apt-get install nvidia-driver-XXX）。"
  fi
fi

echo "驱动安装完成后建议重启以加载驱动。"

echo "===> 5. 安装 CUDA 工具链（nvidia-cuda-toolkit）"
sudo apt-get install -y nvidia-cuda-toolkit

echo "尝试固定 CUDA 工具链版本（如果存在对应包名）"
sudo apt-mark hold cuda-toolkit-12-0 || true
sudo apt-mark hold cuda-toolkit-12.0 || true

echo "===> 6. 安装 NVIDIA Container Toolkit (nvidia-container-toolkit)"
# 自动化写 key 和源
sudo apt-get install -y curl gnupg2

echo "添加 NVIDIA Container Toolkit GPG key..."
curl -fsSL https://nvidia.github.io/libnvidia-container/gpgkey | \
  sudo gpg --dearmor -o /usr/share/keyrings/nvidia-container-toolkit-keyring.gpg

echo "添加 NVIDIA Container Toolkit apt 源..."
curl -s -L https://nvidia.github.io/libnvidia-container/stable/deb/nvidia-container-toolkit.list | \
  sed 's#deb https://#deb [signed-by=/usr/share/keyrings/nvidia-container-toolkit-keyring.gpg] https://#g' | \
  sudo tee /etc/apt/sources.list.d/nvidia-container-toolkit.list > /dev/null

sudo apt-get update
sudo apt-get install -y nvidia-container-toolkit

echo "配置 Docker 使用 nvidia-container-toolkit 作为 runtime..."
sudo nvidia-ctk runtime configure --runtime=docker
sudo systemctl restart docker

echo "===> 7. 测试 nvidia-smi（宿主机）"
if command -v nvidia-smi >/dev/null 2>&1; then
  nvidia-smi || echo "nvidia-smi 执行失败，请检查驱动是否正确加载（可能需要重启后再试）"
else
  echo "未找到 nvidia-smi 命令，请确认 Nvidia 驱动是否安装成功。"
fi

echo "===> 8. 测试 nvcc（CUDA 编译器）"
if command -v nvcc >/dev/null 2>&1; then
  nvcc --version || true
else
  echo "未找到 nvcc（可能需要重启或检查 nvidia-cuda-toolkit 是否正常安装）"
fi

echo "===> 9. 使用带 GPU 的 Docker 容器测试 nvidia-smi"
if command -v docker >/dev/null 2>&1; then
  echo "拉取并运行 nvidia/cuda:12.6.0-base-ubuntu24.04 镜像测试 GPU..."
  sudo docker run --rm --gpus all nvidia/cuda:12.6.0-base-ubuntu24.04 nvidia-smi || \
    echo "容器内 nvidia-smi 执行失败，请检查 nvidia-container-toolkit / Docker 配置。"
else
  echo "未安装 Docker，本脚本只完成 nvidia-container-toolkit 安装，Docker 测试略过。"
fi

echo "全部步骤执行完成。建议重启系统：sudo reboot"

使用方式：

chmod +x install_nvidia_cuda_container.sh
./install_nvidia_cuda_container.sh
sudo reboot

重启后建议手动执行一次：

nvidia-smi
nvcc --version

确认驱动和 CUDA 工具链工作正常。

---

三、Ollama 部署脚本：run_ollama.sh

3.1 设计目标

这份脚本用来自动化如下操作：

• 确认 Docker 已安装；
• 拉取最新的 GPU 版 Ollama 镜像；
• 停止并删除已有的 ollama 容器（如果存在），避免命名冲突；
• 启动一个新的 Ollama 容器：
  • 开启 GPU 支持；
  • 使用 Docker 卷 ollama 挂载到容器内 /root/.ollama，用于持久化模型数据；
  • 映射 11434 端口；
• 提供交互选项，一键拉取常用的 Qwen3 系列模型（qwen3-vl:8b / qwen3-vl:30b / qwen3-coder:30b）。

这样，在已经配置好 GPU + Docker 环境的前提下，只需运行脚本，就可以快速得到一个可用的 Ollama 服务。

---

3.2 脚本逻辑说明

核心步骤如下：

1. 检查 Docker 是否安装

• 通过 command -v docker 检查 Docker 命令是否存在；
• 如果不存在，则提示先安装 Docker 并退出脚本（避免后续错误）。

2. 拉取 Ollama 镜像

• 执行：

  sudo docker pull ollama/ollama:latest

• 始终确保使用的是最新版镜像。

3. 清理已有 ollama 容器（如果存在）

• 通过 sudo docker ps -a --format '{{.Names}}' | grep -w ollama 检查；
• 如果找到同名容器，先 docker stop，再 docker rm，错误不导致脚本中断。

4. 启动新的 Ollama 容器

• 使用命令：

  sudo docker run -d \
    --gpus=all \
    -v ollama:/root/.ollama \
    -p 11434:11434 \
    --name ollama \
    ollama/ollama:latest

• 参数说明：

  • --gpus=all：启用 GPU；
  • -v ollama:/root/.ollama：使用名为 ollama 的 Docker 卷保存模型和配置；
  • -p 11434:11434：暴露 Ollama 默认 API 端口；
  • --name ollama：固定容器名。

5. 可选：拉取 Qwen3 系列模型

• 提示是否自动拉取模型；
• 如果用户选择 y：
  • 依次执行：
    • ollama pull qwen3-vl:8b
    • ollama pull qwen3-vl:30b
    • ollama pull qwen3-coder:30b
• 如果选择 n 或直接回车，则仅提示后续可以手动执行这些命令。

---

3.3 脚本完整内容与使用方式

脚本内容（保存为 run_ollama.sh）：

#!/usr/bin/env bash
set -e

echo "===> 1. 检查 docker 是否安装"
if ! command -v docker >/dev/null 2>&1; then
  echo "未检测到 docker，请先运行 install_docker.sh 安装 Docker。"
  exit 1
fi

echo "===> 2. 拉取 Ollama 镜像（GPU 版）"
sudo docker pull ollama/ollama:latest

echo "===> 3. 停止并删除已有的 ollama 容器（若存在）"
if sudo docker ps -a --format '{{.Names}}' | grep -w ollama >/dev/null 2>&1; then
  sudo docker stop ollama || true
  sudo docker rm ollama || true
fi

echo "===> 4. 运行 Ollama 容器，挂载数据卷 'ollama' 到 /root/.ollama"
sudo docker run -d \
  --gpus=all \
  -v ollama:/root/.ollama \
  -p 11434:11434 \
  --name ollama \
  ollama/ollama:latest

echo "Ollama 容器已启动。检查状态："
sudo docker ps | grep ollama || echo "注意：未看到 ollama 容器，请检查日志。"

echo "===> 5. 可选：自动拉取常用模型（Qwen3 系列）"
read -p "是否自动拉取 qwen3-vl:8b / qwen3-vl:30b / qwen3-coder:30b 模型？(y/N) " yn
case "$yn" in
  [Yy]* )
    echo "开始拉取模型（时间较长，取决于网络）："
    sudo docker exec -it ollama ollama pull qwen3-vl:8b || true
    sudo docker exec -it ollama ollama pull qwen3-vl:30b || true
    sudo docker exec -it ollama ollama pull qwen3-coder:30b || true
    echo "模型拉取流程结束（如拉取失败可查看 docker logs ollama）。"
    ;;
  * )
    echo "跳过自动拉取模型。你可以稍后手工执行："
    echo "  sudo docker exec -it ollama ollama pull qwen3-vl:8b"
    echo "  sudo docker exec -it ollama ollama pull qwen3-vl:30b"
    echo "  sudo docker exec -it ollama ollama pull qwen3-coder:30b"
    ;;
esac

echo "===> 完成。你可以通过 http://<服务器IP>:11434 访问 Ollama API。"

使用示例：

chmod +x run_ollama.sh
./run_ollama.sh

完成后可以：

• 通过 sudo docker logs ollama 查看运行日志；
• 通过 http://<服务器IP>:11434 调用 Ollama API。

---

四、Hexo 博客脚本：setup_hexo_blog.sh

4.1 设计目标

这份脚本把「搭建 Hexo 博客」过程中重复的步骤自动化，主要包括：

• 安装 nvm（如果未安装）；
• 通过 nvm 安装 Node LTS 并设为默认版本；
• 全局安装 hexo-cli；
• 创建或重建博客目录（默认 $HOME/hexo）；
• 初始化 Hexo（如需要），安装项目依赖；
• 安装 hexo-deployer-git 插件；
• 配置 Git 全局用户名和邮箱（若尚未配置）；
• 提示并辅助修改 _config.yml 中的 deploy 配置；
• 自动执行 hexo clean 和 hexo generate，并提供选项是否立即执行 hexo deploy。

---

4.2 脚本逻辑说明

1. 安装并加载 nvm

• 如果 ~/.nvm 目录存在，认为已经安装过 nvm，跳过安装；
• 否则，通过官方脚本安装 nvm；
• 设置 NVM_DIR 并 source "$NVM_DIR/nvm.sh"，确保后续在当前脚本环境中可以直接使用 nvm 命令。

2. 安装 Node LTS 并设为默认

• 执行：

  nvm install --lts
  nvm use --lts
  nvm alias default "lts/*"

• 打印当前 node -v 和 npm -v 做确认。

3. 全局安装 hexo-cli

• 通过 npm 全局安装：

  npm install -g hexo-cli

4. 创建或重新初始化 Hexo 博客目录

• 使用变量 BLOG_DIR="$HOME/hexo"；
• 若目录已存在：
  • 询问是否删除并重建；
  • 如果选择删除，则 rm -rf 并重新创建；
  • 如果保留，则不再执行 hexo init，只进入该目录并继续后续步骤。
• 若目录不存在：
  • 创建目录并执行 hexo init . 初始化项目。

5. 安装项目依赖和 hexo-deployer-git

• 在博客目录执行 npm install，安装 package.json 中的依赖；
• 执行 npm install hexo-deployer-git --save，添加 Git 部署插件。

6. 配置 Git 全局用户信息（如未设置）

• 如果 git config --global user.email 未设置，则写入默认值 your_email@example.com；
• 如果 git config --global user.name 未设置，则写入默认值 YourName；
• 后续应手动修改为自己的邮箱和用户名。

7. 提示编辑 _config.yml 的 deploy 部分

• 脚本打印一个示例配置：

  deploy:
    type: git
    repo: git@your.git.repo:your/blog.git
    branch: main

• 询问是否现在打开 _config.yml 进行编辑；

• 如果选择 y，则用 ${EDITOR:-vim} 打开配置文件；

• 否则提示稍后手动编辑。

8. 构建并可选执行 hexo deploy

• 执行 hexo clean 和 hexo generate；
• 询问是否现在执行 hexo deploy：
  • 如果选择执行，出错时会提示检查 _config.yml 和 Git 权限；
  • 如果跳过，则提示后续可以在博客目录手动执行 hexo clean && hexo generate && hexo deploy。

9. theam

• https://butterfly.js.org/

---

4.3 脚本完整内容与使用方式

脚本内容（保存为 setup_hexo_blog.sh）：

#!/usr/bin/env bash
set -e

BLOG_DIR="$HOME/hexo"

echo "===> 1. 安装 nvm（如果尚未安装）"
if [ -d "$HOME/.nvm" ]; then
  echo "检测到 ~/.nvm 已存在，跳过安装。"
else
  curl -o- https://raw.githubusercontent.com/nvm-sh/nvm/v0.39.1/install.sh | bash
fi

# 加载 nvm（脚本执行期间生效）
export NVM_DIR="$HOME/.nvm"
# shellcheck disable=SC1090
[ -s "$NVM_DIR/nvm.sh" ] && . "$NVM_DIR/nvm.sh"

echo "===> 2. 安装 Node LTS 并设为默认"
nvm install --lts
nvm use --lts
nvm alias default "lts/*"

echo "当前 Node 版本："
node -v
npm -v

echo "===> 3. 全局安装 hexo-cli"
npm install -g hexo-cli

echo "===> 4. 创建或重新初始化 Hexo 博客目录：$BLOG_DIR"
if [ -d "$BLOG_DIR" ]; then
  read -p "目录 $BLOG_DIR 已存在，是否删除并重建？(y/N) " yn
  case "$yn" in
    [Yy]* )
      rm -rf "$BLOG_DIR"
      ;;
    * )
      echo "保留现有目录，将跳过 hexo init，如需全新初始化请先删除该目录。"
      ;;
  esac
fi

if [ ! -d "$BLOG_DIR" ]; then
  mkdir -p "$BLOG_DIR"
  cd "$BLOG_DIR"
  echo "初始化 Hexo 项目..."
  hexo init .
else
  cd "$BLOG_DIR"
fi

echo "===> 5. 安装项目依赖"
npm install

echo "===> 6. 安装 hexo-deployer-git（用 Git 部署）"
npm install hexo-deployer-git --save

echo "===> 7. 配置 Git 全局用户名和邮箱（如已有可跳过）"
if ! git config --global user.email >/dev/null 2>&1; then
  git config --global user.email "your_email@example.com"
  echo "已设置 git user.email 为 your_email@example.com（请按需修改）"
fi

if ! git config --global user.name >/dev/null 2>&1; then
  git config --global user.name "YourName"
  echo "已设置 git user.name 为 YourName（请按需修改）"
fi

echo "===> 8. 提示修改 _config.yml 中的部署配置"
echo "请编辑 $BLOG_DIR/_config.yml 中的 deploy 部分，例如："
cat <<'EOF'

deploy:
  type: git
  repo: git@your.git.repo:your/blog.git
  branch: main

EOF

read -p "现在要打开 _config.yml 进行编辑吗？(y/N) " yn
case "$yn" in
  [Yy]* )
    ${EDITOR:-vim} "$BLOG_DIR/_config.yml"
    ;;
  * )
    echo "已跳过编辑，请稍后手动修改 _config.yml。"
    ;;
esac

echo "===> 9. 构建并尝试部署（如果 deploy 配置已正确）"
hexo clean
hexo generate

read -p "是否现在执行 hexo deploy？(y/N) " yn2
case "$yn2" in
  [Yy]* )
    hexo deploy || echo "hexo deploy 失败，请检查 _config.yml 的 deploy 配置和 Git 仓库访问权限。"
    ;;
  * )
    echo "已跳过 deploy，你之后可以在 $BLOG_DIR 目录执行："
    echo "  hexo clean && hexo generate && hexo deploy"
    ;;
esac

echo "===> Hexo 博客环境初始化完成。"
echo "如需本地预览，可在 $BLOG_DIR 中执行：hexo server"

使用方式：

chmod +x setup_hexo_blog.sh
./setup_hexo_blog.sh

执行过程中注意：

• 将脚本中的 your_email@example.com 和 YourName 换成自己的 Git 配置；
• 在编辑 _config.yml 时，把 deploy.repo 换成自己的仓库地址，branch 换成实际使用的分支。

---

五、推荐使用顺序（只围绕三个脚本）

如果你只关心这三份脚本，那么在一台新服务器上的典型执行顺序可以简化为：

1. GPU 环境准备

   • 上传并执行 GPU 脚本：

     chmod +x install_nvidia_cuda_container.sh
     ./install_nvidia_cuda_container.sh
     sudo reboot

   • 重启后验证：

     nvidia-smi
     nvcc --version

2. 安装 Docker（不在本文脚本中）

   • 按 Ubuntu 官方文档或自己写的 install_docker.sh 安装 Docker；

   • 测试 GPU 容器：

     sudo docker run --rm --gpus all nvidia/cuda:12.6.0-base-ubuntu24.04 nvidia-smi

3. 启动 Ollama 服务

   • 上传并执行 run_ollama.sh：

     chmod +x run_ollama.sh
     ./run_ollama.sh

   • 按提示选择是否自动拉取 Qwen3 系列模型；

   • 访问 http://<服务器IP>:11434 测试。

4. 搭建 Hexo 博客

   • 上传并执行 setup_hexo_blog.sh：

     chmod +x setup_hexo_blog.sh
     ./setup_hexo_blog.sh

   • 在脚本提示阶段完成：

     • Git 用户名 / 邮箱的确认；
     • _config.yml 中 deploy 仓库的设置；

   • 此后即可通过：

     hexo clean && hexo generate && hexo deploy

     更新博客。

---

六、结语

这三份脚本浓缩的是我在搭建环境时真正「可重复」的步骤，它们分别负责：

• GPU 驱动 + CUDA + Docker GPU Runtime 的基础环境；
• Ollama 服务及常用模型的快速拉起；
• Hexo 博客的 Node 环境、项目初始化与 Git 部署配置。

相比逐条翻查 bash_history，直接维护这几份脚本要省心得多。未来如果发行版、驱动或工具链有变化，可以在这几份脚本上迭代，而不必从头回忆所有命令。

最后再强调一次：
本文由 AI 结合当前脚本内容自动生成说明，细节难免会随着时间过时。在正式执行前，请务必：

• 先阅读脚本本身；
• 检查其中的版本号、软件源和命令是否仍然适用于当时的 Ubuntu 版本；
• 在非关键环境中先做一次测试。