登录社区云,与社区用户共同成长
邀请您加入社区
本文详细介绍了使用Docker和Docker Compose部署智能体项目的完整方案。主要内容包括:容器化部署的优势,Docker镜像、容器和Compose编排的核心概念;项目部署文件的具体配置,如docker-compose.yml定义Redis和应用服务、Dockerfile构建Python环境、多进程启动脚本;最后提供了完整的FastAPI应用示例及测试方法。通过这套方案可实现多服务编排、环
本文介绍了一个AIAgent安全沙箱项目,旨在为AI智能体提供安全可控的工具调用环境。项目采用分层安全架构,在AI智能体与执行环境之间建立安全网关,通过API密钥认证、策略引擎授权和Docker容器隔离等技术手段,实现了默认拒绝、最小授权、执行隔离和操作审计等安全原则。核心功能包括:基于白名单的HTTP/Shell调用控制、流式输出限制、资源配额管理、结构化日志审计等。项目使用Python/Fas
Agent需要特定Python包?别指望每次现场,又慢又不稳定。# 系统依赖(如果需要编译某些包)gcc \# Python依赖# 安全加固:创建受限用户image="my-autogen-executor:latest", # 使用自定义镜像# ...其他配置开发环境折腾明白了,上生产还有一堆事。这时候,"能用"和"敢用"之间,差着一整套工程实践。
摘要 本文是《从0搭建AI智能体》系列第11篇,主要讲解如何将本地开发的AI Agent部署为生产级服务。内容包括: 容器化:使用Docker封装应用,确保环境一致性,注意安全规范(密钥不进镜像) 配置管理:通过环境变量安全注入密钥,推荐使用云厂商的Secrets Manager 限流保护:基于Redis实现滑动窗口限流,防止上游API额度被打爆 熔断机制:实现Circuit Breaker模式避
【部署实战】Docker + AI Agent:让AI一键部署Spring Boot到服务器,从打包到上线只要一条指令。
本文分享了两个AI智能体在生产环境中的自愈管线实战案例。在数据处理方面,针对大模型处理长文本时出现的注意力失效和幻觉问题,提出基于语义分片的智能切片与合并方案,通过结构感知分片和增量处理确保数据完整性。在系统运维方面,利用Docker沙箱和Claude CLI构建SSL证书自动续签系统,实现故障诊断、配置修复和安全隔离的一站式解决方案。文章强调AI应用需与确定性工程方法结合,通过物理规则约束和隔离
这套统一 MCP 网关方案解决了企业规模化部署 AI 代码检索工具的核心痛点:容器化统一运维、多仓库批量索引、单端口统一接入、多 AI 客户端标准化适配,非常适合中大型研发团队落地 AI Agent 开发辅助能力。当前 AI Agent 从概念走向企业规模化落地,难点不在大模型能力,而在企业私有代码、业务知识库的标准化接入层搭建。
AI工具🔧、AI智能体、AI绘画🎨、AI学习📖
AI绘画🎨、AI智能体、AI🔧、开源、一键部署🙅♀️、AI
最近安装了一下Browserless 与Playwright,并且对接上AI智能体,发现就可以处理一些以往无法直接自动化处理的事情,比如网页数据抓取等等。本篇博客就介绍一下关于这两种工具在ddocker中的安装方法,让你的AI智能体如虎添翼。
终于完成 PanelAI 40-50页图文并茂的使用说明书,涵盖产品介绍、安装部署、仪表盘监控、应用市场、一键部署大模型等全功能点。PanelAI 是基于 Go + Docker 的轻量 AI 基础设施面板,可帮助用户一键部署 DeepSeek、千问等开源大模型,省去高额 Token 费用,支持多服务器集群管理、私有化部署。AIStarter 与 PanelAI 软著及作品登记已完成,目前早鸟永久
Linux 世界的层级 Claude Code 世界的层级用户敲命令 用户说自然语言│ │▼ ▼Shell (bash) 主 Agent│ │├── 执行命令 (ls, cat) ├── 调用 Tool (Read, Bash)├── 运行脚本 (.sh) ├── 加载 Skill (工作流)├── fork 子进程 ├── 派发子 Agent├── crond 定时触发 ├── Cron 定时触
漫画中的分镜是借助Open WebUI进行撰写的,图片的生成时借助ChatGPT,因为硅基流动有些优惠券,所以一直使用它来测试,使用硅基流动中的生图的模型,有明显的短版,有些文字没办法直接放到图片上。本篇教程是自己经过一天的实战检测,在NAS上部署Open WebUI,对接硅基流动的接口,拆解小说为漫画的分镜,以及调用硅基流动的生图。最后来说下再部署中遇到的问题,部署open-webui很简单,选
"你打开桌面,看见 `desktop/`、`Downloads/`、`tmp_2025_11/`、`claude_output/`、`新建文件夹 (3)/`——花 20 分钟翻找,最终在某个临时目录的孙目录里找到它。Web 文件管理器的头号安全风险是**路径遍历攻击**——攻击者构造 `../../etc/passwd` 试图访问任意文件。但它每天工作,安静地解决一个真实问题——**这就够了**。
最后想特别说明,Hermes Agent 最大的亮点就是它会 "越用越懂你"。坚持使用一段时间后,它会慢慢熟悉你的操作习惯和常用技能,给你带来越来越顺手的体验。不过有个关键步骤别忘:装完一定要先跑填好密钥,把基础配置搞定,不然可没法用哦!特别给国内小伙伴划重点:Kimi 大模型绝对是最佳拍档!中文理解能力强,长文档、论文、整个代码库拖进去都能轻松拿捏。写代码、调工具、处理各种复杂任务样样在行,和
本文记录了在Tesla V100(4×32GB)环境下使用Docker和vLLM部署Qwen3-ASR-1.7B语音识别模型的过程。由于V100显卡的Compute Capability为7.0,不支持FlashAttention 2和bfloat16,需采用float16精度并调整参数。关键步骤包括:通过ModelScope或HuggingFace下载模型,配置Docker容器时指定显存使用率(
一个好玩技巧:让Codex把我的工作流蒸馏成skill
本文介绍了一个基于大模型的学术问答系统构建流程。首先收集PDF论文,通过MinerU转换为Markdown格式;然后使用EasyDataSet调用ollama大模型生成问答对并导出为JSON训练集;接着在Docker环境下部署LLaMA-Factory进行模型微调,包括环境配置、端口转发和WebUI访问;最后下载DeepSeek-R1等大模型,完成微调后通过Dify平台部署智能体应用。整个过程涵盖
通过上述步骤,你已成功部署独立的。
摘要:本文介绍了使用Docker部署Ollama本地大模型推理框架的步骤,包括选择模型、创建容器、下载指定模型(voytas26/openclaw-oss-20b-deterministic)以及验证模型功能。具体操作包含进入容器、下载模型、检查容器IP和测试对话功能,通过curl命令验证模型能否正常生成文本响应。该方案为后续部署openclaw养龙虾应用提供了基础环境准备。
Docker Sandboxes:安全运行AI编码助手的解决方案 摘要:Docker Sandboxes提供了一种安全运行Claude Code等AI编码助手的新方法。通过MicroVM隔离技术,它实现了: 独立虚拟机运行环境,仅挂载项目工作空间 安全的Docker执行能力,AI可构建容器但无法访问主机守护进程 秒级重置功能,快速恢复干净环境 支持主流编码助手,解决权限提示和安全限制问题 该方案显
安装Docker Ollamagitpython能翻墙。
gemini-web2api 是一个将 Google Gemini 网页端转换为 OpenAI 兼容 API 的开源工具,零认证、零成本、跨平台。
真的牛
RAGFlow 是一款基于深度文档理解构建的开源 RAG(Retrieval-Augmented Generation)引擎。RAGFlow 可以为各种规模的企业及个人提供一套精简的 RAG 工作流程,结合大语言模型(LLM)针对用户各类不同的复杂格式数据提供可靠的问答以及有理有据的引用。
ai部署
在部署dify时需要确保购买的服务器是否可以安装docker,有些服务器的系统是基于docker搭建的,无法安装docker。Ollama提供了一键安装脚本,可以快速在Linux系统上安装Ollama。安装脚本会自动下载所需的组件,并完成Ollama的安装与配置。Ollama 下载:https://ollama.com/download。启动 Ollama,也可以使用以下命令启动 Ollama:s
RAGFlow本地部署方案:基于DeepSeek-R1构建私有知识库问答系统 该方案通过本地化部署解决了网页版AI服务的三大痛点:数据隐私风险、文件上传限制和使用繁琐性。核心采用RAG(检索增强生成)技术,结合Embedding模型实现语义检索,使大模型能准确回答专业领域问题(如台湾民法)。实施步骤包括:1)通过Ollama部署本地DeepSeek-R1模型;2)Docker运行RAGFlow框架