AI办公 Docker部署教程｜附源码

在企业数字化办公场景中，AI办公工具正在成为提升效率的重要基础设施。无论是智能写作、会议纪要生成、文档总结、知识库问答，还是自动化邮件、合同审阅、数据分析，AI都可以帮助团队减少重复劳动，把更多时间投入到更有价值的工作中。

不过，很多人在部署AI办公系统时会遇到不少问题：环境依赖复杂、Python版本不一致、数据库配置繁琐、前后端联调困难、服务器迁移麻烦等。为了解决这些问题，本文将带你从零开始，使用 Docker + Docker Compose 部署一个可运行的 AI办公系统，并提供一套简化版源码示例，方便你根据实际业务继续扩展。

本文适合以下读者：

• 想快速搭建AI办公系统的开发者；
• 想把AI能力接入公司内部办公流程的技术负责人；
• 熟悉基础Linux命令，但不想被复杂环境折腾的运维人员；
• 希望学习 Docker 部署 AI 应用的初学者。

一、项目效果说明

本文要部署的是一个简化版 AI办公系统，主要包含以下功能：

1. AI智能写作

   • 输入主题，自动生成文章、邮件、总结、方案等内容。

2. 文档总结

   • 输入一段长文本，AI自动提炼核心要点。

3. 办公问答助手

   • 可以向AI提问，例如“帮我写一份周报”“整理会议纪要模板”。

4. 前后端分离

   • 后端使用 FastAPI；
   • 前端使用 Vue 3；
   • 数据库使用 MySQL；
   • 缓存可选 Redis；
   • 通过 Docker Compose 一键启动。

5. 支持大模型接口

   • 可以接入 OpenAI、通义千问、智谱、DeepSeek、Claude 或本地大模型接口；
   • 本文以通用 API 调用方式演示，实际可自行替换。

二、整体技术架构

本项目采用比较常见的前后端分离架构：

用户浏览器
   |
   v
前端 Vue 3 / Nginx
   |
   v
后端 FastAPI
   |
   +---- MySQL 数据库
   |
   +---- Redis 缓存，可选
   |
   +---- 大模型 API 服务

技术栈说明

三、服务器环境准备

建议服务器配置如下：

如果你只是在本地测试，也可以使用 Windows + Docker Desktop 或 macOS + Docker Desktop。

四、安装 Docker 和 Docker Compose

如果你的服务器还没有安装 Docker，可以参考以下命令。

1. Ubuntu / Debian 安装 Docker

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

sudo mkdir -p /etc/apt/keyrings

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

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

sudo apt update

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

2. 验证 Docker 是否安装成功

docker -v
docker compose version

如果能够看到版本号，说明安装成功。

3. 设置 Docker 开机自启

sudo systemctl enable docker
sudo systemctl start docker

五、项目目录结构

我们创建一个名为 ai-office-docker 的项目目录：

mkdir ai-office-docker
cd ai-office-docker

推荐目录结构如下：

ai-office-docker
├── backend
│   ├── app
│   │   ├── main.py
│   │   ├── config.py
│   │   ├── database.py
│   │   ├── models.py
│   │   ├── schemas.py
│   │   └── ai_service.py
│   ├── requirements.txt
│   └── Dockerfile
├── frontend
│   ├── src
│   │   ├── App.vue
│   │   └── main.js
│   ├── index.html
│   ├── package.json
│   ├── vite.config.js
│   ├── nginx.conf
│   └── Dockerfile
├── docker-compose.yml
└── .env

这个目录中，backend 是后端服务，frontend 是前端页面，docker-compose.yml 用于统一编排所有服务。

六、后端源码

后端使用 FastAPI 编写，负责接收前端请求、调用AI模型接口，并将部分记录保存到数据库中。

1. backend/requirements.txt

fastapi==0.111.0
uvicorn[standard]==0.30.1
pydantic==2.7.4
pydantic-settings==2.3.4
SQLAlchemy==2.0.31
PyMySQL==1.1.1
requests==2.32.3
python-dotenv==1.0.1

2. backend/app/config.py

from pydantic_settings import BaseSettings


class Settings(BaseSettings):
    mysql_host: str = "mysql"
    mysql_port: int = 3306
    mysql_user: str = "ai_office"
    mysql_password: str = "ai_office_pass"
    mysql_database: str = "ai_office"

    ai_api_key: str = ""
    ai_api_base: str = "https://api.openai.com/v1"
    ai_model: str = "gpt-4o-mini"

    class Config:
        env_file = ".env"


settings = Settings()

3. backend/app/database.py

from sqlalchemy import create_engine
from sqlalchemy.orm import sessionmaker, declarative_base
from app.config import settings


DATABASE_URL = (
    f"mysql+pymysql://{settings.mysql_user}:{settings.mysql_password}"
    f"@{settings.mysql_host}:{settings.mysql_port}/{settings.mysql_database}"
    "?charset=utf8mb4"
)

engine = create_engine(
    DATABASE_URL,
    pool_pre_ping=True,
    pool_recycle=3600
)

SessionLocal = sessionmaker(
    autocommit=False,
    autoflush=False,
    bind=engine
)

Base = declarative_base()


def get_db():
    db = SessionLocal()
    try:
        yield db
    finally:
        db.close()

4. backend/app/models.py

from sqlalchemy import Column, Integer, String, Text, DateTime
from sqlalchemy.sql import func
from app.database import Base


class AiRecord(Base):
    __tablename__ = "ai_records"

    id = Column(Integer, primary_key=True, index=True)
    task_type = Column(String(50), nullable=False)
    prompt = Column(Text, nullable=False)
    result = Column(Text, nullable=False)
    created_at = Column(DateTime, server_default=func.now())

5. backend/app/schemas.py

from pydantic import BaseModel


class AiRequest(BaseModel):
    task_type: str
    prompt: str


class AiResponse(BaseModel):
    task_type: str
    prompt: str
    result: str

6. backend/app/ai_service.py

这里使用兼容 OpenAI 格式的接口调用方式。很多国内外模型服务商都支持类似格式，你只需要修改 .env 中的 AI_API_BASE、AI_API_KEY 和 AI_MODEL 即可。

import requests
from app.config import settings


def call_ai_model(task_type: str, prompt: str) -> str:
    system_prompt = build_system_prompt(task_type)

    url = f"{settings.ai_api_base}/chat/completions"

    headers = {
        "Authorization": f"Bearer {settings.ai_api_key}",
        "Content-Type": "application/json"
    }

    payload = {
        "model": settings.ai_model,
        "messages": [
            {
                "role": "system",
                "content": system_prompt
            },
            {
                "role": "user",
                "content": prompt
            }
        ],
        "temperature": 0.7
    }

    try:
        response = requests.post(
            url,
            headers=headers,
            json=payload,
            timeout=60
        )
        response.raise_for_status()
        data = response.json()
        return data["choices"][0]["message"]["content"]
    except Exception as e:
        return f"AI接口调用失败：{str(e)}"


def build_system_prompt(task_type: str) -> str:
    if task_type == "write":
        return "你是一个专业的AI办公写作助手，擅长撰写文章、邮件、报告和方案。"
    elif task_type == "summary":
        return "你是一个专业的文档总结助手，请用简洁、清晰、有条理的方式总结用户输入内容。"
    elif task_type == "meeting":
        return "你是一个会议纪要助手，请根据用户输入整理会议主题、重点事项、待办任务和负责人。"
    else:
        return "你是一个高效、准确、专业的AI办公助手。"

7. backend/app/main.py

from fastapi import FastAPI, Depends
from fastapi.middleware.cors import CORSMiddleware
from sqlalchemy.orm import Session

from app.database import Base, engine, get_db
from app.models import AiRecord
from app.schemas import AiRequest, AiResponse
from app.ai_service import call_ai_model


Base.metadata.create_all(bind=engine)

app = FastAPI(
    title="AI Office API",
    description="AI办公系统后端接口",
    version="1.0.0"
)

app.add_middleware(
    CORSMiddleware,
    allow_origins=["*"],
    allow_credentials=True,
    allow_methods=["*"],
    allow_headers=["*"],
)


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


@app.post("/api/ai", response_model=AiResponse)
def ai_generate(request: AiRequest, db: Session = Depends(get_db)):
    result = call_ai_model(request.task_type, request.prompt)

    record = AiRecord(
        task_type=request.task_type,
        prompt=request.prompt,
        result=result
    )
    db.add(record)
    db.commit()

    return AiResponse(
        task_type=request.task_type,
        prompt=request.prompt,
        result=result
    )


@app.get("/api/records")
def get_records(db: Session = Depends(get_db)):
    records = db.query(AiRecord).order_by(AiRecord.id.desc()).limit(20).all()

    return [
        {
            "id": item.id,
            "task_type": item.task_type,
            "prompt": item.prompt,
            "result": item.result,
            "created_at": str(item.created_at)
        }
        for item in records
    ]

8. backend/Dockerfile

FROM python:3.11-slim

WORKDIR /app

COPY requirements.txt .

RUN pip install --no-cache-dir -r requirements.txt -i https://pypi.tuna.tsinghua.edu.cn/simple

COPY app ./app

EXPOSE 8000

CMD ["uvicorn", "app.main:app", "--host", "0.0.0.0", "--port", "8000"]

七、前端源码

前端使用 Vue 3 实现一个简单页面，包括任务类型选择、输入框、生成按钮和结果展示区域。

1. frontend/package.json

{
  "name": "ai-office-frontend",
  "version": "1.0.0",
  "scripts": {
    "dev": "vite --host 0.0.0.0",
    "build": "vite build",
    "preview": "vite preview --host 0.0.0.0"
  },
  "dependencies": {
    "@vitejs/plugin-vue": "^5.0.5",
    "axios": "^1.7.2",
    "element-plus": "^2.7.6",
    "vue": "^3.4.29"
  },
  "devDependencies": {
    "vite": "^5.3.1"
  }
}

2. frontend/index.html

3. frontend/src/main.js

import { createApp } from 'vue'
import ElementPlus from 'element-plus'
import 'element-plus/dist/index.css'
import App from './App.vue'

const app = createApp(App)
app.use(ElementPlus)
app.mount('#app')

4. frontend/src/App.vue

5. frontend/nginx.conf

前端打包后通过 Nginx 提供静态资源，同时将 /api 请求反向代理到后端服务。

server {
    listen 80;
    server_name localhost;

    root /usr/share/nginx/html;
    index index.html;

    location / {
        try_files $uri $uri/ /index.html;
    }

    location /api/ {
        proxy_pass http://backend:8000/api/;
        proxy_set_header Host $host;
        proxy_set_header X-Real-IP $remote_addr;
        proxy_set_header X-Forwarded-For $proxy_add_x_forwarded_for;
    }
}

6. frontend/Dockerfile

FROM node:20-alpine AS builder

WORKDIR /app

COPY package.json ./

RUN npm install --registry=https://registry.npmmirror.com

COPY . .

RUN npm run build


FROM nginx:1.25-alpine

COPY nginx.conf /etc/nginx/conf.d/default.conf

COPY --from=builder /app/dist /usr/share/nginx/html

EXPOSE 80

八、环境变量配置

在项目根目录创建 .env 文件：

MYSQL_ROOT_PASSWORD=root_pass_123
MYSQL_DATABASE=ai_office
MYSQL_USER=ai_office
MYSQL_PASSWORD=ai_office_pass

AI_API_KEY=你的大模型API_KEY
AI_API_BASE=https://api.openai.com/v1
AI_MODEL=gpt-4o-mini

如果你使用的是其他大模型服务商，只需要修改：

AI_API_BASE=你的接口地址
AI_API_KEY=你的密钥
AI_MODEL=你的模型名称

例如某些兼容 OpenAI 格式的接口，一般也是：

https://xxx.example.com/v1

需要注意的是，本文的示例代码默认请求路径为：

/v1/chat/completions

因此 AI_API_BASE 不要写成完整的 /chat/completions 地址，否则会拼接错误。

九、Docker Compose 编排文件

在项目根目录创建 docker-compose.yml：

services:
  mysql:
    image: mysql:8.0
    container_name: ai-office-mysql
    restart: always
    environment:
      MYSQL_ROOT_PASSWORD: ${MYSQL_ROOT_PASSWORD}
      MYSQL_DATABASE: ${MYSQL_DATABASE}
      MYSQL_USER: ${MYSQL_USER}
      MYSQL_PASSWORD: ${MYSQL_PASSWORD}
    command:
      --default-authentication-plugin=mysql_native_password
      --character-set-server=utf8mb4
      --collation-server=utf8mb4_unicode_ci
    volumes:
      - mysql_data:/var/lib/mysql
    ports:
      - "3306:3306"

  redis:
    image: redis:7-alpine
    container_name: ai-office-redis
    restart: always
    ports:
      - "6379:6379"

  backend:
    build:
      context: ./backend
    container_name: ai-office-backend
    restart: always
    depends_on:
      - mysql
      - redis
    environment:
      MYSQL_HOST: mysql
      MYSQL_PORT: 3306
      MYSQL_USER: ${MYSQL_USER}
      MYSQL_PASSWORD: ${MYSQL_PASSWORD}
      MYSQL_DATABASE: ${MYSQL_DATABASE}
      AI_API_KEY: ${AI_API_KEY}
      AI_API_BASE: ${AI_API_BASE}
      AI_MODEL: ${AI_MODEL}
    ports:
      - "8000:8000"

  frontend:
    build:
      context: ./frontend
    container_name: ai-office-frontend
    restart: always
    depends_on:
      - backend
    ports:
      - "80:80"

volumes:
  mysql_data:

这个文件定义了四个服务：

• mysql：数据库服务；
• redis：缓存服务，当前示例代码暂未深度使用，但实际项目常用于会话、限流、任务队列；
• backend：FastAPI后端；
• frontend：Vue前端 + Nginx。

十、一键构建并启动项目

在项目根目录执行：

docker compose up -d --build

等待镜像构建完成后，查看容器状态：

docker compose ps

如果看到类似结果，说明服务已经启动：

NAME                 STATUS
ai-office-mysql      Up
ai-office-redis      Up
ai-office-backend    Up
ai-office-frontend   Up

然后访问：

http://服务器IP

如果是本地部署，则访问：

http://localhost

后端接口也可以单独访问：

http://服务器IP:8000

返回如下内容说明后端正常：

{
  "message": "AI Office API is running"
}

十一、常用运维命令

1. 查看日志

docker compose logs -f

查看某个服务日志：

docker compose logs -f backend
docker compose logs -f frontend
docker compose logs -f mysql

2. 停止服务

docker compose down

3. 停止并删除数据卷

如果你想连数据库数据一起删除，可以执行：

docker compose down -v

注意：这个命令会删除 MySQL 数据，请谨慎操作。

4. 重启服务

docker compose restart

重启单个服务：

docker compose restart backend

5. 重新构建后端

如果你修改了后端代码，可以执行：

docker compose up -d --build backend

6. 进入容器

docker exec -it ai-office-backend bash

MySQL 容器：

docker exec -it ai-office-mysql bash

十二、接口测试

1. 测试AI生成接口

可以使用 curl 测试：

curl -X POST http://localhost:8000/api/ai \
  -H "Content-Type: application/json" \
  -d '{
    "task_type": "write",
    "prompt": "帮我写一份关于AI办公系统上线的通知"
  }'

正常情况下会返回：

{
  "task_type": "write",
  "prompt": "帮我写一份关于AI办公系统上线的通知",
  "result": "..."
}

2. 查询最近记录

curl http://localhost:8000/api/records

十三、常见问题与解决方法

1. 后端启动失败，提示无法连接 MySQL

可能原因是 MySQL 第一次启动需要初始化，后端启动太快导致连接失败。可以等待十几秒后重启后端：

docker compose restart backend

更稳妥的方式是在后端启动脚本中加入数据库等待逻辑，或者在 Compose 中配置 healthcheck。

2. AI接口调用失败

请重点检查以下配置：

AI_API_KEY=是否正确
AI_API_BASE=是否正确
AI_MODEL=模型名称是否正确

还要确认服务器能访问对应API地址：

curl https://api.openai.com/v1/models

如果使用国内模型平台，请按照平台文档确认请求地址和模型名称。

3. 前端页面打不开

检查前端容器是否正常：

docker compose logs -f frontend

确认端口没有被占用：

sudo lsof -i:80

如果服务器80端口已经被占用，可以将 Compose 中前端端口改为：

ports:
  - "8080:80"

然后访问：

http://服务器IP:8080

4. 前端请求后端接口失败

因为前端是通过 Nginx 代理 /api 请求到后端，所以需要确认 nginx.conf 中的服务名是否正确：

proxy_pass http://backend:8000/api/;

这里的 backend 必须和 docker-compose.yml 中的服务名一致。

5. 数据库中文乱码

本文已经在 MySQL 启动参数中设置了：

--character-set-server=utf8mb4
--collation-server=utf8mb4_unicode_ci

数据库连接字符串中也加入了：

charset=utf8mb4

如果仍然乱码，可以进入 MySQL 检查字符集：

SHOW VARIABLES LIKE 'character%';

十四、生产环境优化建议

上面的示例适合学习和中小规模内部部署。如果要用于生产环境，建议进一步优化。

1. 增加用户登录与权限控制

AI办公系统通常涉及公司文档、内部会议、业务数据等敏感内容，不能直接开放给所有人访问。可以增加：

• 用户注册登录；
• JWT Token认证；
• 角色权限控制；
• 部门级数据隔离；
• 操作日志审计。

2. 增加HTTPS证书

生产环境建议使用 HTTPS，可以通过 Nginx + Certbot 申请免费证书：

sudo apt install certbot python3-certbot-nginx

或者使用云厂商提供的证书服务。

3. 接入知识库

如果希望AI回答公司内部制度、产品文档、项目资料，可以增加知识库模块。常见方案包括：

• 文档上传；
• 文本切分；
• 向量化 Embedding；
• 向量数据库检索；
• RAG增强问答。

常见向量数据库有：

• Milvus；
• Qdrant；
• Weaviate；
• Elasticsearch；
• pgvector。

4. 增加异步任务队列

对于长文档总结、批量文档处理、会议录音转写等耗时任务，建议使用异步队列：

• Celery + Redis；
• RQ；
• Dramatiq；
• FastAPI BackgroundTasks。

这样可以避免接口长时间阻塞，提高系统稳定性。

5. 增加限流与费用控制

AI接口通常按Token计费，生产环境必须考虑成本控制：

• 单用户每日调用次数限制；
• 单次输入长度限制；
• 部门预算统计；
• 模型分级调用；
• 请求日志分析；
• 缓存重复问题答案。

6. 数据备份

MySQL 数据应定期备份，例如：

docker exec ai-office-mysql mysqldump \
  -u root \
  -p ai_office > ai_office_backup.sql

也可以结合定时任务自动备份到对象存储。

十五、扩展：增加本地大模型支持

如果公司对数据安全要求较高，不希望把办公内容发送到第三方API，可以部署本地大模型。例如使用 Ollama、vLLM、LM Studio 等工具。

以 Ollama 为例，启动本地模型服务后，后端可以将 AI_API_BASE 改为 Ollama 的兼容接口地址。如果部署在同一个 Docker 网络中，也可以将 Ollama 作为一个 Compose 服务加入。

示例：

ollama:
  image: ollama/ollama
  container_name: ai-office-ollama
  restart: always
  volumes:
    - ollama_data:/root/.ollama
  ports:
    - "11434:11434"

然后根据 Ollama 的实际接口格式调整 ai_service.py。如果使用支持 OpenAI 兼容模式的本地服务，则改动会更少。

十六、总结

本文从零开始演示了一个 AI办公系统的 Docker 部署方案，包含后端 FastAPI、前端 Vue 3、MySQL、Redis、Nginx 以及 Docker Compose 编排文件。通过这种方式，可以避免手动安装各种语言环境和依赖，让部署过程更加标准化、可迁移、可维护。

本项目虽然是简化版，但已经具备AI办公系统的基本雏形：

• 可以通过页面输入办公需求；
• 可以调用大模型生成内容；
• 可以保存生成历史；
• 可以通过 Docker Compose 一键部署；
• 可以继续扩展用户系统、知识库、权限管理、异步任务等功能。

对于企业内部使用而言，建议在此基础上重点加强 权限控制、数据安全、日志审计、费用统计和私有化部署能力。如果只是个人学习或团队内部试用，本文提供的源码已经足够完成一次完整的AI办公应用部署实践。

最后，启动项目只需要记住一句命令：

docker compose up -d --build

访问浏览器：

http://服务器IP

即可开始使用你的 AI办公助手。