欢迎来到《Python + AI Agent 实战开发完全指南》专栏！
在前面的课程中，我们已经成功打造了具备异步处理能力的多智能体协作系统（FastAPI + Celery + Redis）。但说实话，很多开发者在本地跑通代码后，一到服务器部署环节就会因为环境不一致、依赖冲突等问题抓狂。所以今天这一讲，我们不整虚的，直接带你把整个 Agent 后端工程进行Docker 容器化封装，并套上一个高颜值的 Streamlit 可视化界面，实现真正的“一键部署”。
一、 磨刀不误砍柴工：极简环境准备
在开始打包之前，我们需要确保你的电脑已经安装了 Docker 和 Docker Compose。同时，我们还需要为前端交互准备一个轻量级的 UI 库：
打开终端，执行以下命令安装必备库：
pip install streamlit requests
注：*streamlit** 是 Python 生态中最友好的数据应用框架，几行代码就能生成漂亮的 Web 界面，非常适合用来展示 Agent 的思考过程。*
在你的项目根目录下创建一个 .env 文件，确保里面包含了 LLM 的密钥和 Redis 的连接地址：
OPENAI_API_KEY=sk-xxxxxxxxxxxxx
BASE_URL=https://dashscope.aliyuncs.com/compatible-mode/v1
REDIS_URL=redis://localhost:6379/0
二、 核心架构拆解：容器化编排的本质
要让多组件的 Agent 系统在服务器上稳定运行，关键在于给它们提供一个隔离且标准化的运行环境。目前业界最经典的云原生范式就是 Docker Compose。
一个标准的 Agent 生产级部署包含三个步骤：
三、 实战演练：一键部署你的 Agent 团队
接下来，我们把理论落地。这段配置展示了如何将复杂的分布式系统压缩到两个文件中。
1. 编写生产级 Dockerfile
在项目根目录创建 Dockerfile，定义我们的基础运行环境：
# ========== 1. 使用官方轻量级 Python 基础镜像 ==========
FROM python:3.10-slim
# ========== 2. 设置工作目录 ==========
WORKDIR /app
# ========== 3. 先复制依赖文件并安装（利用缓存层优化构建速度） ==========
COPY requirements.txt .
RUN pip install –no-cache-dir -r requirements.txt
# ========== 4. 复制项目源码 ==========
COPY . .
# ========== 5. 暴露 FastAPI 默认端口 ==========
EXPOSE 8000
2. 终极武器：Docker Compose 一键编排
在项目根目录创建 docker-compose.yml，这是启动整个系统的核心：
version: '3.8'
services:
# 1. 消息中间件与结果存储
redis:
image: redis:7–alpine
ports:
– "6379:6379"
volumes:
– redis_data:/data
# 2. FastAPI Web 服务
web:
build: .
command: uvicorn main:app ––host 0.0.0.0 ––port 8000
ports:
– "8000:8000"
env_file:
– .env
depends_on:
– redis
# 3. Celery 后台 Worker (注意：它使用的是同一个镜像，但启动命令不同)
worker:
build: .
command: celery –A celery_app worker ––loglevel=info
env_file:
– .env
depends_on:
– redis
volumes:
redis_data:
3. 让 Agent 拥有灵魂：Streamlit 可视化界面
新建 streamlit_ui.py，为你的 Agent 团队套上一层交互外壳：
import streamlit as st
import requests
import time
st.set_page_config(page_title="AI Agent Team", layout="wide")
st.title(" 多智能体协作工作台")
# 用户输入区
user_query = st.text_area("请输入你的复杂任务指令：", height=100)
max_rounds = st.slider("最大协作轮数", min_value=1, max_value=10, value=3)
if st.button(" 提交给 Agent 团队"):
if user_query:
# 1. 调用异步接口
response = requests.post(
"http://localhost:8000/api/v1/agents/collaborate/async",
json={"query": user_query, "max_rounds": max_rounds}
)
task_id = response.json()["task_id"]
# 2. 展示进度条
progress_bar = st.progress(0)
status_text = st.empty()
while True:
res = requests.get(f"http://localhost:8000/api/v1/tasks/{task_id}").json()
if res["status"] == "SUCCESS":
progress_bar.progress(100)
status_text.success(" 任务完成！")
st.subheader("最终报告：")
st.markdown(res["result"]["report"])
break
elif res["status"] == "FAILURE":
status_text.error(f" 发生错误: {res['error']}")
break
else:
status_text.info(f" 正在处理: {res.get('progress', 'Initializing…')}")
time.sleep(2)
需要注意的是，当你将这套代码推送到云服务器时，记得在终端执行 docker-compose up -d –build，加上 -d 参数可以让所有服务在后台静默运行。
四、 代码深度解析与避坑指南
运行上面的命令，你会看到终端里打印出各个容器的启动日志。在这个过程中，有几个工程细节值得注意：
本节小结
今天我们彻底摆脱了“在我的电脑上能跑”的环境地狱，用最底层的 Docker 实现了多智能体系统的标准化交付。理解了这套机制，你再去学 Kubernetes 或者云厂商的 Serverless 平台时，就会发现它们只是帮你把这里的 docker-compose.yml 管理得更自动化了而已。
下一讲，我们将迎来本专栏的最终章——性能优化与安全边界，看看如何控制 Token 成本并防止恶意 Prompt 注入，让你的 Agent 真正无懈可击！
