从零把 AI Agent 跑起来：服务器部署、接口上线到 Docker 全流程命令包

发布人：慈云数据-客服中心发布时间：22小时前阅读量：5

AI Agent 部署完整教程｜附完整命令

随着大模型能力的持续提升，越来越多团队开始把 AI Agent（智能体） 应用到客服、数据分析、代码助手、运维助手、知识库问答、自动化办公等场景中。与普通 ChatBot 不同，AI Agent 不只是“聊天”，它通常具备以下能力：

能理解用户目标；
能调用工具，例如搜索、数据库、API、代码执行器；
能根据任务自动规划步骤；
能结合知识库进行检索增强生成；
能在一定程度上完成多轮任务执行。

本文将从零开始，演示如何在一台 Linux 服务器上部署一个可运行的 AI Agent 服务。教程包含环境准备、项目初始化、依赖安装、Agent 编写、接口服务、Docker 部署、Nginx 反向代理、系统服务管理、日志查看和常见问题处理，并附完整命令。

本文示例使用 Python + FastAPI + LangChain + OpenAI-Compatible API 构建 Agent。
你既可以接入 OpenAI，也可以接入国内或本地部署的大模型，例如 DeepSeek、Qwen、GLM、Moonshot、智谱、Ollama、vLLM 等，只要服务兼容 OpenAI API 格式即可。

一、部署目标

本教程最终会部署一个 AI Agent HTTP 服务，支持通过 API 请求与智能体对话。

最终效果示例：

curl -X POST http://your-domain.com/api/agent/chat \
  -H "Content-Type: application/json" \
  -d '{
    "message": "帮我分析一下 Linux 服务器磁盘空间不足应该如何排查"
  }'

服务返回示例：

{
  "answer": "你可以按照以下步骤排查：1. 使用 df -h 查看磁盘分区使用率..."
}

部署完成后，你将拥有：

一个可运行的 AI Agent 后端服务；
一个标准 RESTful API；
Docker 容器化部署能力；
Nginx 反向代理访问能力；
systemd 或 Docker Compose 管理能力；
可扩展工具调用、知识库、数据库等能力的基础框架。

二、服务器环境要求

建议准备一台 Linux 服务器，推荐配置如下：

配置项	推荐配置
操作系统	Ubuntu 22.04 / Debian 12 / CentOS 7+
CPU	2 核及以上
内存	4GB 及以上
磁盘	20GB 及以上
Python	3.10+
Docker	20+
网络	可访问大模型 API

如果你部署的是本地大模型，例如 Ollama、vLLM、LM Studio，则需要更高配置，尤其是 GPU 和显存。

三、更新系统环境

以 Ubuntu 为例，先更新系统软件包：

sudo apt update
sudo apt upgrade -y

安装常用工具：

sudo apt install -y curl wget git vim unzip htop net-tools lsof

检查系统版本：

lsb_release -a

检查服务器 IP：

ip addr

或：

hostname -I

四、安装 Python 环境

如果系统没有 Python 3.10+，可以先安装：

sudo apt install -y python3 python3-pip python3-venv

查看 Python 版本：

python3 --version

查看 pip 版本：

pip3 --version

如果你的服务器默认 Python 版本较低，可以安装 Python 3.11：

sudo apt install -y software-properties-common
sudo add-apt-repository ppa:deadsnakes/ppa -y
sudo apt update
sudo apt install -y python3.11 python3.11-venv python3.11-dev

检查：

python3.11 --version

五、创建项目目录

创建一个用于部署 AI Agent 的目录：

sudo mkdir -p /opt/ai-agent
sudo chown -R $USER:$USER /opt/ai-agent
cd /opt/ai-agent

初始化项目结构：

mkdir -p app
mkdir -p logs
touch app/main.py
touch app/agent.py
touch app/config.py
touch requirements.txt
touch .env

项目结构如下：

/opt/ai-agent
├── app
│   ├── main.py
│   ├── agent.py
│   └── config.py
├── logs
├── requirements.txt
└── .env

六、创建 Python 虚拟环境

进入项目目录：

cd /opt/ai-agent

创建虚拟环境：

python3 -m venv venv

激活虚拟环境：

source venv/bin/activate

升级 pip：

pip install --upgrade pip

七、编写依赖文件

编辑 requirements.txt：

vim requirements.txt

写入以下内容：

fastapi==0.115.0
uvicorn[standard]==0.30.6
python-dotenv==1.0.1
pydantic==2.8.2
langchain==0.2.16
langchain-openai==0.1.25
langchain-community==0.2.16
duckduckgo-search==6.2.11

安装依赖：

pip install -r requirements.txt

如果安装速度较慢，可以使用国内镜像：

pip install -r requirements.txt -i https://pypi.tuna.tsinghua.edu.cn/simple

八、配置大模型 API

编辑 .env 文件：

vim .env

写入以下内容：

OPENAI_API_KEY=你的API_KEY
OPENAI_BASE_URL=https://api.openai.com/v1
MODEL_NAME=gpt-4o-mini
SERVER_HOST=0.0.0.0
SERVER_PORT=8000

如果你使用的是 DeepSeek，可以改成类似：

OPENAI_API_KEY=你的DeepSeek_API_KEY
OPENAI_BASE_URL=https://api.deepseek.com/v1
MODEL_NAME=deepseek-chat
SERVER_HOST=0.0.0.0
SERVER_PORT=8000

如果你使用的是本地 Ollama，并且开启了 OpenAI-Compatible API，可以配置为：

OPENAI_API_KEY=ollama
OPENAI_BASE_URL=http://127.0.0.1:11434/v1
MODEL_NAME=qwen2.5:7b
SERVER_HOST=0.0.0.0
SERVER_PORT=8000

注意：不同模型服务商的模型名称不同，请以实际平台文档为准。

九、编写配置文件

编辑 app/config.py：

vim app/config.py

写入：

import os
from dotenv import load_dotenv

load_dotenv()

OPENAI_API_KEY = os.getenv("OPENAI_API_KEY")
OPENAI_BASE_URL = os.getenv("OPENAI_BASE_URL", "https://api.openai.com/v1")
MODEL_NAME = os.getenv("MODEL_NAME", "gpt-4o-mini")

SERVER_HOST = os.getenv("SERVER_HOST", "0.0.0.0")
SERVER_PORT = int(os.getenv("SERVER_PORT", "8000"))

这个文件用于读取环境变量，后续 Agent 会从这里获取大模型配置。

十、编写 AI Agent 核心逻辑

编辑 app/agent.py：

vim app/agent.py

写入以下代码：

from langchain_openai import ChatOpenAI
from langchain.agents import initialize_agent, AgentType
from langchain_community.tools import DuckDuckGoSearchRun
from langchain.tools import Tool

from app.config import OPENAI_API_KEY, OPENAI_BASE_URL, MODEL_NAME


def get_llm():
    return ChatOpenAI(
        api_key=OPENAI_API_KEY,
        base_url=OPENAI_BASE_URL,
        model=MODEL_NAME,
        temperature=0.3,
    )


def build_agent():
    llm = get_llm()

    search = DuckDuckGoSearchRun()

    tools = [
        Tool(
            name="WebSearch",
            func=search.run,
            description="用于搜索互联网实时信息。当用户询问最新资讯、实时数据、公开资料时使用。"
        )
    ]

    agent = initialize_agent(
        tools=tools,
        llm=llm,
        agent=AgentType.ZERO_SHOT_REACT_DESCRIPTION,
        verbose=True,
        handle_parsing_errors=True,
    )

    return agent


_agent = build_agent()


def run_agent(message: str) -> str:
    result = _agent.run(message)
    return result

这段代码实现了一个最基础的 Agent：

初始化大语言模型；
注册一个网络搜索工具；
创建 ReAct 类型 Agent；
暴露 run_agent 方法供接口调用。

ReAct Agent 的特点是：模型会根据用户问题判断是否需要使用工具，如果需要，就调用工具获取信息，再组织最终答案。

十一、编写 FastAPI 服务

编辑 app/main.py：

vim app/main.py

写入：

from fastapi import FastAPI
from pydantic import BaseModel
from app.agent import run_agent
from app.config import SERVER_HOST, SERVER_PORT

app = FastAPI(
    title="AI Agent API",
    description="A simple AI Agent service powered by LangChain and FastAPI",
    version="1.0.0"
)


class ChatRequest(BaseModel):
    message: str


class ChatResponse(BaseModel):
    answer: str


@app.get("/")
def index():
    return {
        "message": "AI Agent service is running."
    }


@app.get("/health")
def health():
    return {
        "status": "ok"
    }


@app.post("/api/agent/chat", response_model=ChatResponse)
def chat(request: ChatRequest):
    answer = run_agent(request.message)
    return ChatResponse(answer=answer)


if __name__ == "__main__":
    import uvicorn

    uvicorn.run(
        "app.main:app",
        host=SERVER_HOST,
        port=SERVER_PORT,
        reload=False
    )

十二、本地启动测试

确保你仍在虚拟环境中：

cd /opt/ai-agent
source venv/bin/activate

启动服务：

python -m app.main

或使用 uvicorn：

uvicorn app.main:app --host 0.0.0.0 --port 8000

看到类似输出即表示启动成功：

INFO:     Started server process
INFO:     Waiting for application startup.
INFO:     Application startup complete.
INFO:     Uvicorn running on http://0.0.0.0:8000

新开一个终端测试健康检查：

curl http://127.0.0.1:8000/health

{"status":"ok"}

测试 Agent 接口：

curl -X POST http://127.0.0.1:8000/api/agent/chat \
  -H "Content-Type: application/json" \
  -d '{"message":"请介绍一下 AI Agent 的核心能力"}'

如果能返回正常答案，说明基础服务已经部署成功。

十三、开放服务器端口

如果你的服务器开启了防火墙，需要放行 8000 端口。

Ubuntu UFW：

sudo ufw allow 8000/tcp
sudo ufw reload
sudo ufw status

CentOS firewalld：

sudo firewall-cmd --zone=public --add-port=8000/tcp --permanent
sudo firewall-cmd --reload
sudo firewall-cmd --list-ports

如果你使用云服务器，还需要在云平台安全组中放行 8000 端口。

十四、使用 Gunicorn 生产化启动

开发环境可以直接用 uvicorn，但生产环境建议使用 Gunicorn 管理进程。

安装 Gunicorn：

cd /opt/ai-agent
source venv/bin/activate
pip install gunicorn

启动命令：

gunicorn app.main:app \
  -k uvicorn.workers.UvicornWorker \
  -w 2 \
  -b 0.0.0.0:8000 \
  --timeout 120

参数说明：

参数	说明
`-k uvicorn.workers.UvicornWorker`	使用 Uvicorn Worker 运行 FastAPI
`-w 2`	启动 2 个 worker
`-b 0.0.0.0:8000`	监听 8000 端口
`--timeout 120`	请求超时时间 120 秒

十五、配置 systemd 后台运行

为了让服务在后台运行，并支持开机自启，可以创建 systemd 服务。

编辑服务文件：

sudo vim /etc/systemd/system/ai-agent.service

写入：

[Unit]
Description=AI Agent FastAPI Service
After=network.target

[Service]
User=root
WorkingDirectory=/opt/ai-agent
EnvironmentFile=/opt/ai-agent/.env
ExecStart=/opt/ai-agent/venv/bin/gunicorn app.main:app -k uvicorn.workers.UvicornWorker -w 2 -b 0.0.0.0:8000 --timeout 120
Restart=always
RestartSec=5

[Install]
WantedBy=multi-user.target

重新加载 systemd：

sudo systemctl daemon-reload

启动服务：

sudo systemctl start ai-agent

设置开机自启：

sudo systemctl enable ai-agent

查看状态：

sudo systemctl status ai-agent

查看日志：

sudo journalctl -u ai-agent -f

重启服务：

sudo systemctl restart ai-agent

停止服务：

sudo systemctl stop ai-agent

十六、安装 Docker

如果你希望使用 Docker 部署，可以先安装 Docker。

Ubuntu 安装命令：

sudo apt update
sudo apt install -y ca-certificates curl gnupg

添加 Docker 官方 GPG Key：

sudo install -m 0755 -d /etc/apt/keyrings
curl -fsSL https://download.docker.com/linux/ubuntu/gpg | \
  sudo gpg --dearmor -o /etc/apt/keyrings/docker.gpg

添加 Docker 软件源：

echo \
  "deb [arch=$(dpkg --print-architecture) signed-by=/etc/apt/keyrings/docker.gpg] \
  https://download.docker.com/linux/ubuntu \
  $(. /etc/os-release && echo $VERSION_CODENAME) stable" | \
  sudo tee /etc/apt/sources.list.d/docker.list > /dev/null

安装 Docker：

sudo apt update
sudo apt install -y docker-ce docker-ce-cli containerd.io docker-buildx-plugin docker-compose-plugin

启动 Docker：

sudo systemctl start docker
sudo systemctl enable docker

查看版本：

docker version

十七、编写 Dockerfile

在项目根目录创建 Dockerfile：

cd /opt/ai-agent
vim Dockerfile

写入：

FROM python:3.11-slim

WORKDIR /app

COPY requirements.txt /app/requirements.txt

RUN pip install --upgrade pip \
    && pip install --no-cache-dir -r /app/requirements.txt \
    && pip install --no-cache-dir gunicorn

COPY app /app/app
COPY .env /app/.env

EXPOSE 8000

CMD ["gunicorn", "app.main:app", "-k", "uvicorn.workers.UvicornWorker", "-w", "2", "-b", "0.0.0.0:8000", "--timeout", "120"]

构建镜像：

docker build -t ai-agent:1.0 .

运行容器：

docker run -d \
  --name ai-agent \
  --restart always \
  -p 8000:8000 \
  ai-agent:1.0

查看容器：

docker ps

查看日志：

docker logs -f ai-agent

测试接口：

curl http://127.0.0.1:8000/health

停止容器：

docker stop ai-agent

删除容器：

docker rm ai-agent

十八、使用 Docker Compose 部署

相比单独使用 docker run，Docker Compose 更方便管理配置。

创建 docker-compose.yml：

cd /opt/ai-agent
vim docker-compose.yml

写入：

services:
  ai-agent:
    build:
      context: .
      dockerfile: Dockerfile
    image: ai-agent:1.0
    container_name: ai-agent
    restart: always
    ports:
      - "8000:8000"
    env_file:
      - .env

启动服务：

docker compose up -d

查看状态：

docker compose ps

查看日志：

docker compose logs -f

重启服务：

docker compose restart

停止服务：

docker compose down

重新构建并启动：

docker compose up -d --build

十九、配置 Nginx 反向代理

如果你希望通过域名访问，例如：

https://agent.example.com

可以使用 Nginx 做反向代理。

安装 Nginx：

sudo apt install -y nginx

启动并设置开机自启：

sudo systemctl start nginx
sudo systemctl enable nginx

创建站点配置：

sudo vim /etc/nginx/sites-available/ai-agent

写入：

server {
    listen 80;
    server_name agent.example.com;

    client_max_body_size 20m;

    location / {
        proxy_pass http://127.0.0.1:8000;
        proxy_http_version 1.1;

        proxy_set_header Host $host;
        proxy_set_header X-Real-IP $remote_addr;
        proxy_set_header X-Forwarded-For $proxy_add_x_forwarded_for;
        proxy_set_header X-Forwarded-Proto $scheme;

        proxy_read_timeout 120s;
        proxy_connect_timeout 120s;
        proxy_send_timeout 120s;
    }
}

启用配置：

sudo ln -s /etc/nginx/sites-available/ai-agent /etc/nginx/sites-enabled/ai-agent

检查 Nginx 配置：

sudo nginx -t

重载 Nginx：

sudo systemctl reload nginx

此时可以测试：

curl http://agent.example.com/health

如果你的域名还没有解析，需要到域名服务商后台添加 A 记录，指向服务器公网 IP。

二十、配置 HTTPS 证书

生产环境建议开启 HTTPS。可以使用 Certbot 免费申请 Let’s Encrypt 证书。

安装 Certbot：

sudo apt install -y certbot python3-certbot-nginx

申请证书：

sudo certbot --nginx -d agent.example.com

按提示输入邮箱并确认协议即可。

查看证书自动续期状态：

sudo systemctl status certbot.timer

测试自动续期：

sudo certbot renew --dry-run

申请成功后，就可以通过 HTTPS 访问：

curl https://agent.example.com/health

二十一、增加简单 API Key 鉴权

如果你的 AI Agent 服务暴露到公网，强烈建议增加鉴权。下面给出一个简单 API Key 方案。

修改 .env：

vim /opt/ai-agent/.env

增加：

AGENT_API_KEY=your-secret-api-key

修改 app/config.py：

import os
from dotenv import load_dotenv

load_dotenv()

OPENAI_API_KEY = os.getenv("OPENAI_API_KEY")
OPENAI_BASE_URL = os.getenv("OPENAI_BASE_URL", "https://api.openai.com/v1")
MODEL_NAME = os.getenv("MODEL_NAME", "gpt-4o-mini")

SERVER_HOST = os.getenv("SERVER_HOST", "0.0.0.0")
SERVER_PORT = int(os.getenv("SERVER_PORT", "8000"))

AGENT_API_KEY = os.getenv("AGENT_API_KEY")

修改 app/main.py：

from fastapi import FastAPI, Header, HTTPException
from pydantic import BaseModel
from app.agent import run_agent
from app.config import SERVER_HOST, SERVER_PORT, AGENT_API_KEY

app = FastAPI(
    title="AI Agent API",
    description="A simple AI Agent service powered by LangChain and FastAPI",
    version="1.0.0"
)


class ChatRequest(BaseModel):
    message: str


class ChatResponse(BaseModel):
    answer: str


def verify_api_key(x_api_key: str = Header(default=None)):
    if AGENT_API_KEY and x_api_key != AGENT_API_KEY:
        raise HTTPException(status_code=401, detail="Invalid API Key")


@app.get("/")
def index():
    return {
        "message": "AI Agent service is running."
    }


@app.get("/health")
def health():
    return {
        "status": "ok"
    }


@app.post("/api/agent/chat", response_model=ChatResponse)
def chat(request: ChatRequest, x_api_key: str = Header(default=None)):
    verify_api_key(x_api_key)
    answer = run_agent(request.message)
    return ChatResponse(answer=answer)


if __name__ == "__main__":
    import uvicorn

    uvicorn.run(
        "app.main:app",
        host=SERVER_HOST,
        port=SERVER_PORT,
        reload=False
    )

重启服务：

sudo systemctl restart ai-agent

或 Docker Compose：

docker compose restart

调用时携带 Header：

curl -X POST https://agent.example.com/api/agent/chat \
  -H "Content-Type: application/json" \
  -H "X-API-Key: your-secret-api-key" \
  -d '{"message":"帮我生成一份服务器巡检清单"}'

二十二、扩展：添加自定义工具

AI Agent 的核心价值在于工具调用。下面添加一个简单的服务器时间查询工具。

修改 app/agent.py：

from datetime import datetime
from langchain_openai import ChatOpenAI
from langchain.agents import initialize_agent, AgentType
from langchain_community.tools import DuckDuckGoSearchRun
from langchain.tools import Tool

from app.config import OPENAI_API_KEY, OPENAI_BASE_URL, MODEL_NAME


def get_llm():
    return ChatOpenAI(
        api_key=OPENAI_API_KEY,
        base_url=OPENAI_BASE_URL,
        model=MODEL_NAME,
        temperature=0.3,
    )


def get_current_time(text: str = "") -> str:
    return datetime.now().strftime("%Y-%m-%d %H:%M:%S")


def build_agent():
    llm = get_llm()

    search = DuckDuckGoSearchRun()

    tools = [
        Tool(
            name="WebSearch",
            func=search.run,
            description="用于搜索互联网实时信息。"
        ),
        Tool(
            name="CurrentTime",
            func=get_current_time,
            description="用于获取服务器当前时间。"
        )
    ]

    agent = initialize_agent(
        tools=tools,
        llm=llm,
        agent=AgentType.ZERO_SHOT_REACT_DESCRIPTION,
        verbose=True,
        handle_parsing_errors=True,
    )

    return agent


_agent = build_agent()


def run_agent(message: str) -> str:
    result = _agent.run(message)
    return result

重启后测试：

curl -X POST http://127.0.0.1:8000/api/agent/chat \
  -H "Content-Type: application/json" \
  -d '{"message":"现在服务器时间是多少？"}'

二十三、常见问题排查

1. 服务启动失败

查看日志：

sudo journalctl -u ai-agent -f

或 Docker：

docker logs -f ai-agent

常见原因包括：

.env 文件配置错误；
Python 依赖未安装完整；
端口被占用；
API Key 无效；
大模型服务无法访问。

检查端口占用：

sudo lsof -i:8000

杀掉占用进程：

sudo kill -9 进程ID

2. 调用模型报错 401

通常是 API Key 错误。检查 .env：

cat /opt/ai-agent/.env

确认：

OPENAI_API_KEY=你的真实Key
OPENAI_BASE_URL=正确的API地址
MODEL_NAME=正确的模型名称

修改后重启：

sudo systemctl restart ai-agent

3. 请求超时

Agent 调用工具和模型可能耗时较长，可以：

增加 Gunicorn timeout；
增加 Nginx proxy timeout；
检查模型服务响应速度；
减少 Agent 工具链复杂度。

Gunicorn 示例：

gunicorn app.main:app \
  -k uvicorn.workers.UvicornWorker \
  -w 2 \
  -b 0.0.0.0:8000 \
  --timeout 300

Nginx 示例：

proxy_read_timeout 300s;
proxy_connect_timeout 300s;
proxy_send_timeout 300s;

4. Docker 容器无法访问本机 Ollama

如果 Ollama 运行在宿主机，容器内访问 127.0.0.1 指的是容器自己，不是宿主机。

Linux 可以使用宿主机 IP，或者在 docker-compose.yml 中添加：

extra_hosts:
  - "host.docker.internal:host-gateway"

然后 .env 改成：

OPENAI_BASE_URL=http://host.docker.internal:11434/v1

二十四、生产环境优化建议

上线前建议做以下优化：

增加鉴权：不要让接口裸奔在公网；
开启 HTTPS：保护传输安全；
设置限流：防止恶意刷接口；
记录日志：保存请求、耗时、异常信息；
增加监控：监控 CPU、内存、接口成功率；
控制成本：限制单次输入长度和最大输出长度；
工具安全隔离：如果 Agent 能执行代码或操作数据库，必须限制权限；
增加缓存：对重复问题使用缓存降低成本；
异步任务化：长任务可以接入 Celery、Redis、消息队列；
知识库增强：接入向量数据库，如 Milvus、Qdrant、pgvector、Elasticsearch。

二十五、总结

本文完整演示了一个 AI Agent 服务从零到上线的部署流程，包括：

Linux 环境准备；
Python 虚拟环境配置；
FastAPI 接口开发；
LangChain Agent 编写；
大模型 API 配置；
本地运行测试；
Gunicorn 生产启动；
systemd 后台运行；
Docker 和 Docker Compose 部署；
Nginx 反向代理；
HTTPS 证书配置；
API Key 鉴权；
工具扩展和常见问题排查。

如果你只是想快速启动，可以按以下最短路径执行：

cd /opt/ai-agent
python3 -m venv venv
source venv/bin/activate
pip install -r requirements.txt
uvicorn app.main:app --host 0.0.0.0 --port 8000

如果你要生产部署，推荐使用：

docker compose up -d --build

再配合 Nginx 和 HTTPS 对外提供服务。

AI Agent 的真正价值不在于单纯调用大模型，而在于把模型、工具、数据和业务流程连接起来。完成基础部署后，你可以继续扩展知识库、数据库查询、自动化任务、内部系统 API、RPA 操作等能力，让 Agent 真正成为业务系统中的“智能执行者”。

文章标签： AIAgent FastAPI LangChain Docker

上一篇：从零把 AI Agent 跑起来：环境搭建、知识库接入到上线部署全流程

下一篇：从零搭建一个能调用工具的 AI Agent：源码与部署流程全记录

更多栏目

新闻动态

文档中心

下载中心

目录结构

全文

产品与服务

新闻帮助

生态合作

了解我们

从零把 AI Agent 跑起来：服务器部署、接口上线到 Docker 全流程命令包

AI Agent 部署完整教程｜附完整命令

一、部署目标

二、服务器环境要求

三、更新系统环境

四、安装 Python 环境

五、创建项目目录

六、创建 Python 虚拟环境

七、编写依赖文件

八、配置大模型 API

九、编写配置文件

十、编写 AI Agent 核心逻辑

十一、编写 FastAPI 服务

十二、本地启动测试

十三、开放服务器端口

十四、使用 Gunicorn 生产化启动

十五、配置 systemd 后台运行

十六、安装 Docker

十七、编写 Dockerfile

十八、使用 Docker Compose 部署

十九、配置 Nginx 反向代理

二十、配置 HTTPS 证书

二十一、增加简单 API Key 鉴权

二十二、扩展：添加自定义工具

二十三、常见问题排查

1. 服务启动失败

2. 调用模型报错 401

3. 请求超时

4. Docker 容器无法访问本机 Ollama

二十四、生产环境优化建议

二十五、总结