AI搜索 Docker部署教程｜生产环境实测

本文以“AI搜索”类应用的生产环境部署为核心，演示如何使用 Docker / Docker Compose 快速搭建一套可长期运行、可维护、可备份、可扩展的 AI 搜索服务。
适用场景：企业内部知识检索、私有化 AI 搜索入口、类 Perplexity 搜索问答系统、RAG 检索问答系统、开源 AI Search 项目生产部署。

一、前言：为什么用 Docker 部署 AI 搜索？

AI 搜索和传统搜索最大的区别在于，它不仅返回网页链接或文档列表，还会结合搜索结果、知识库内容、大语言模型能力，生成结构化答案。

一个完整的 AI 搜索服务，通常包含以下组件：

1. 前端服务

   • 用户输入问题
   • 展示搜索结果
   • 展示 AI 总结答案
   • 支持历史记录、引用来源、会话管理等

2. 后端 API 服务

   • 接收用户问题
   • 调用搜索引擎或知识库
   • 调用大语言模型生成答案
   • 管理用户、权限、日志等

3. 搜索引擎 / 元搜索服务

   • 对接 Bing、Google、SearXNG、SerpAPI 等
   • 或者对接企业内部文档、数据库、Elasticsearch、向量数据库

4. 数据库

   • 保存用户信息、会话记录、搜索历史、系统配置等

5. 缓存服务

   • Redis 常用于缓存搜索结果、会话状态、限流计数等

6. 向量数据库，可选

   • 如 Milvus、Qdrant、Weaviate、pgvector
   • 用于知识库语义检索

7. 反向代理

   • Nginx、Caddy、Traefik 等
   • 负责 HTTPS、域名绑定、负载均衡、安全头等

如果直接在宿主机上手动安装这些组件，后期维护成本会很高。Docker 的优势在于：

• 环境一致，避免“本地能跑，服务器不能跑”
• 部署简单，迁移方便
• 组件隔离，减少依赖冲突
• 便于升级、回滚、备份
• 适合生产环境标准化运维

本文会以一套通用生产环境架构为例，讲解如何从零部署 AI 搜索服务。

二、服务器配置建议

生产环境建议不要使用太低配置的机器。AI 搜索虽然不一定本地运行大模型，但涉及搜索、数据库、缓存、接口转发和页面渲染，资源过低会影响响应速度。

1. 最低配置

2. 推荐生产配置

如果你使用本地大模型，例如 Ollama、vLLM、LM Studio 等，则需要额外考虑 GPU、显存、模型大小和推理并发。本文主要以“调用外部 LLM API”的 AI 搜索系统为例，例如 OpenAI API、DeepSeek API、通义千问、智谱、Kimi、Claude 等。

三、整体架构设计

生产环境建议采用如下架构：

用户浏览器
   |
   | HTTPS
   v
Nginx / Caddy 反向代理
   |
   v
AI Search Web / API 服务
   |
   |--------> 搜索服务 SearXNG / Search API
   |
   |--------> LLM API，例如 OpenAI / DeepSeek / Qwen
   |
   |--------> PostgreSQL 数据库
   |
   |--------> Redis 缓存

本文示例中的服务包括：

如果你的 AI 搜索项目已经自带 docker-compose.yml，可以参考本文思路进行生产化改造。

四、安装 Docker 和 Docker Compose

以下命令以 Ubuntu 22.04 为例。

1. 更新系统

sudo apt update
sudo apt upgrade -y

2. 安装基础工具

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

3. 安装 Docker

curl -fsSL https://get.docker.com | sudo bash

安装完成后查看版本：

docker version

4. 安装 Docker Compose

新版 Docker 一般自带 Compose 插件：

docker compose version

如果可以正常输出版本号，说明已经安装成功。

5. 设置当前用户使用 Docker

sudo usermod -aG docker $USER

然后重新登录服务器，或者执行：

newgrp docker

五、创建部署目录

建议所有生产项目统一放在 /opt 目录下：

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

目录规划如下：

/opt/ai-search
├── docker-compose.yml
├── .env
├── nginx
│   └── ai-search.conf
├── data
│   ├── postgres
│   ├── redis
│   └── searxng
└── backups

创建目录：

mkdir -p nginx data/postgres data/redis data/searxng backups

六、编写环境变量文件

创建 .env 文件：

vim .env

示例内容如下：

# 基础配置
DOMAIN=search.example.com
TZ=Asia/Shanghai

# 应用配置
APP_ENV=production
APP_PORT=3000
APP_URL=https://search.example.com

# 数据库配置
POSTGRES_DB=ai_search
POSTGRES_USER=ai_search_user
POSTGRES_PASSWORD=请替换为强密码

# Redis 配置
REDIS_PASSWORD=请替换为Redis强密码

# LLM API 配置
LLM_PROVIDER=openai
OPENAI_API_KEY=sk-xxxxxxxxxxxxxxxx
OPENAI_BASE_URL=https://api.openai.com/v1
OPENAI_MODEL=gpt-4o-mini

# 搜索配置
SEARCH_PROVIDER=searxng
SEARXNG_URL=http://searxng:8080

# 安全配置
JWT_SECRET=请替换为至少32位随机字符串
ENCRYPTION_KEY=请替换为至少32位随机字符串

生产环境一定不要使用默认密码。

可以使用以下命令生成随机密钥：

openssl rand -hex 32

例如：

JWT_SECRET=$(openssl rand -hex 32)
ENCRYPTION_KEY=$(openssl rand -hex 32)

七、编写 Docker Compose 文件

创建 docker-compose.yml：

vim docker-compose.yml

示例配置如下：

services:
  ai-search:
    image: your-ai-search-image:latest
    container_name: ai-search
    restart: unless-stopped
    env_file:
      - .env
    environment:
      NODE_ENV: production
      DATABASE_URL: postgresql://${POSTGRES_USER}:${POSTGRES_PASSWORD}@postgres:5432/${POSTGRES_DB}
      REDIS_URL: redis://:${REDIS_PASSWORD}@redis:6379/0
      SEARXNG_URL: ${SEARXNG_URL}
      OPENAI_API_KEY: ${OPENAI_API_KEY}
      OPENAI_BASE_URL: ${OPENAI_BASE_URL}
      OPENAI_MODEL: ${OPENAI_MODEL}
      JWT_SECRET: ${JWT_SECRET}
      ENCRYPTION_KEY: ${ENCRYPTION_KEY}
    depends_on:
      - postgres
      - redis
      - searxng
    networks:
      - ai-search-net
    expose:
      - "3000"

  postgres:
    image: postgres:16-alpine
    container_name: ai-search-postgres
    restart: unless-stopped
    environment:
      POSTGRES_DB: ${POSTGRES_DB}
      POSTGRES_USER: ${POSTGRES_USER}
      POSTGRES_PASSWORD: ${POSTGRES_PASSWORD}
      TZ: ${TZ}
    volumes:
      - ./data/postgres:/var/lib/postgresql/data
    networks:
      - ai-search-net
    healthcheck:
      test: ["CMD-SHELL", "pg_isready -U ${POSTGRES_USER} -d ${POSTGRES_DB}"]
      interval: 10s
      timeout: 5s
      retries: 5

  redis:
    image: redis:7-alpine
    container_name: ai-search-redis
    restart: unless-stopped
    command: >
      redis-server
      --requirepass ${REDIS_PASSWORD}
      --appendonly yes
      --appendfsync everysec
    volumes:
      - ./data/redis:/data
    networks:
      - ai-search-net
    healthcheck:
      test: ["CMD", "redis-cli", "-a", "${REDIS_PASSWORD}", "ping"]
      interval: 10s
      timeout: 5s
      retries: 5

  searxng:
    image: searxng/searxng:latest
    container_name: ai-search-searxng
    restart: unless-stopped
    environment:
      - BASE_URL=https://${DOMAIN}/searxng/
      - INSTANCE_NAME=AI Search SearXNG
    volumes:
      - ./data/searxng:/etc/searxng
    networks:
      - ai-search-net
    expose:
      - "8080"

  nginx:
    image: nginx:1.25-alpine
    container_name: ai-search-nginx
    restart: unless-stopped
    depends_on:
      - ai-search
    ports:
      - "80:80"
      - "443:443"
    volumes:
      - ./nginx:/etc/nginx/conf.d
      - ./certs:/etc/nginx/certs
      - ./logs/nginx:/var/log/nginx
    networks:
      - ai-search-net

networks:
  ai-search-net:
    driver: bridge

需要注意的是：

image: your-ai-search-image:latest

这里需要替换成你实际使用的 AI 搜索项目镜像。例如：

image: ghcr.io/xxx/ai-search:latest

或者如果项目需要本地构建，可以改成：

build:
  context: .
  dockerfile: Dockerfile

八、配置 Nginx 反向代理

创建 Nginx 配置文件：

vim nginx/ai-search.conf

如果你暂时没有证书，可以先使用 HTTP 配置：

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

    client_max_body_size 20m;

    location / {
        proxy_pass http://ai-search:3000;
        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_set_header Upgrade $http_upgrade;
        proxy_set_header Connection "upgrade";

        proxy_read_timeout 300s;
        proxy_send_timeout 300s;
    }

    location /searxng/ {
        proxy_pass http://searxng:8080/;
        proxy_set_header Host $host;
        proxy_set_header X-Real-IP $remote_addr;
        proxy_set_header X-Forwarded-For $proxy_add_x_forwarded_for;
    }
}

将 search.example.com 替换为你的实际域名。

生产环境建议开启 HTTPS。你可以使用宿主机上的 Certbot，也可以使用 Caddy 自动签发证书。为了简化生产维护，我更推荐 Caddy，但如果公司已有 Nginx 标准化体系，也可以继续使用 Nginx。

九、启动服务

在 /opt/ai-search 目录执行：

docker compose pull
docker compose up -d

查看容器状态：

docker compose ps

查看日志：

docker compose logs -f ai-search

如果看到类似以下输出，说明服务基本启动成功：

Server started on port 3000
Database connected
Redis connected
Search provider initialized

访问：

http://search.example.com

如果已经配置 HTTPS，则访问：

https://search.example.com

十、初始化数据库

不同 AI 搜索项目初始化方式不完全一样。常见方式有以下几种。

1. 自动初始化

有些项目启动时会自动创建表结构，无需手动操作。

只需要观察日志：

docker compose logs -f ai-search

如果没有数据库报错，即可继续使用。

2. 手动执行迁移命令

如果项目使用 Prisma、TypeORM、Django、Rails 等框架，可能需要手动执行迁移。

例如 Node.js 项目：

docker compose exec ai-search npm run migrate

或者：

docker compose exec ai-search npx prisma migrate deploy

如果是 Python 项目：

docker compose exec ai-search python manage.py migrate

执行完成后重启服务：

docker compose restart ai-search

十一、生产环境关键配置

很多 AI 搜索项目在本地环境能跑，但一到生产环境就容易出现超时、接口失败、内存过高、数据库锁表等问题。下面是生产环境实测中比较重要的配置项。

1. 设置重启策略

所有核心服务都建议配置：

restart: unless-stopped

这样服务器重启或容器异常退出后，服务可以自动恢复。

2. 数据必须持久化

数据库和 Redis 数据必须挂载到宿主机目录：

volumes:
  - ./data/postgres:/var/lib/postgresql/data
  - ./data/redis:/data

否则容器删除后数据会丢失。

3. 不要暴露数据库端口

生产环境不建议这样写：

ports:
  - "5432:5432"

如果没有特殊需求，数据库只在 Docker 内部网络访问即可。

4. 配置接口超时时间

AI 搜索通常会调用外部搜索 API 和 LLM API，响应时间比普通接口长。

Nginx 需要配置：

proxy_read_timeout 300s;
proxy_send_timeout 300s;

否则用户提问后，后端还在生成答案，Nginx 已经超时断开连接。

5. 限制上传大小

如果支持文件上传、知识库导入，建议配置：

client_max_body_size 50m;

同时应用层也要配置上传大小限制。

6. 设置日志轮转

Docker 日志如果不限制，长期运行会占满磁盘。

可以在 /etc/docker/daemon.json 中配置：

{
  "log-driver": "json-file",
  "log-opts": {
    "max-size": "100m",
    "max-file": "5"
  }
}

重启 Docker：

sudo systemctl restart docker

十二、配置 HTTPS

生产环境强烈建议启用 HTTPS，尤其是 AI 搜索服务通常包含用户问题、企业资料、聊天记录等敏感数据。

如果使用 Certbot：

sudo apt install -y certbot

申请证书：

sudo certbot certonly --standalone -d search.example.com

证书路径通常为：

/etc/letsencrypt/live/search.example.com/fullchain.pem
/etc/letsencrypt/live/search.example.com/privkey.pem

可以将证书复制到项目目录：

mkdir -p /opt/ai-search/certs
sudo cp /etc/letsencrypt/live/search.example.com/fullchain.pem /opt/ai-search/certs/
sudo cp /etc/letsencrypt/live/search.example.com/privkey.pem /opt/ai-search/certs/
sudo chown -R $USER:$USER /opt/ai-search/certs

然后修改 Nginx 配置：

server {
    listen 80;
    server_name search.example.com;
    return 301 https://$host$request_uri;
}

server {
    listen 443 ssl http2;
    server_name search.example.com;

    ssl_certificate /etc/nginx/certs/fullchain.pem;
    ssl_certificate_key /etc/nginx/certs/privkey.pem;

    client_max_body_size 50m;

    location / {
        proxy_pass http://ai-search:3000;
        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 https;

        proxy_set_header Upgrade $http_upgrade;
        proxy_set_header Connection "upgrade";

        proxy_read_timeout 300s;
        proxy_send_timeout 300s;
    }

    location /searxng/ {
        proxy_pass http://searxng:8080/;
        proxy_set_header Host $host;
        proxy_set_header X-Real-IP $remote_addr;
        proxy_set_header X-Forwarded-For $proxy_add_x_forwarded_for;
    }
}

重启 Nginx 容器：

docker compose restart nginx

十三、防火墙配置

服务器只需要开放 SSH、HTTP、HTTPS。

sudo ufw allow OpenSSH
sudo ufw allow 80/tcp
sudo ufw allow 443/tcp
sudo ufw enable

查看状态：

sudo ufw status

如果你的 SSH 使用了非 22 端口，请先放行对应端口，避免把自己锁在服务器外。

十四、AI 搜索参数调优

AI 搜索体验好不好，除了部署稳定，还取决于搜索和模型参数。

1. 模型选择

生产环境建议优先选择响应快、价格可控、上下文长度足够的模型。

常见选择：

2. 搜索结果数量

建议初始设置为 5 到 10 条。
搜索结果过少，答案可能不全面；搜索结果过多，会增加 token 消耗和响应时间。

3. 答案生成温度

AI 搜索不是创意写作，建议温度不要太高：

LLM_TEMPERATURE=0.2

这样答案更稳定，幻觉更少。

4. 引用来源

生产环境一定要开启引用来源展示。
用户不仅需要 AI 总结，也需要知道答案来自哪里。

建议配置：

ENABLE_CITATION=true

5. 缓存策略

对于重复查询较多的场景，可以开启搜索缓存：

SEARCH_CACHE_TTL=3600

表示搜索结果缓存 1 小时，能明显降低搜索 API 成本。

十五、数据备份方案

生产环境必须做备份，尤其是数据库。

1. 手动备份 PostgreSQL

docker compose exec postgres pg_dump -U ${POSTGRES_USER} ${POSTGRES_DB} > backups/ai_search_$(date +%F).sql

如果命令中的环境变量没有生效，可以直接写实际用户名和数据库名：

docker compose exec postgres pg_dump -U ai_search_user ai_search > backups/ai_search_$(date +%F).sql

2. 恢复数据库

cat backups/ai_search_2025-01-01.sql | docker compose exec -T postgres psql -U ai_search_user ai_search

3. 定时备份

创建脚本：

vim backup.sh

内容如下：

#!/bin/bash

cd /opt/ai-search || exit 1

BACKUP_DIR="/opt/ai-search/backups"
DATE=$(date +%F_%H-%M-%S)

docker compose exec -T postgres pg_dump -U ai_search_user ai_search > "${BACKUP_DIR}/ai_search_${DATE}.sql"

find "${BACKUP_DIR}" -name "ai_search_*.sql" -mtime +14 -delete

授权：

chmod +x backup.sh

添加定时任务：

crontab -e

每天凌晨 3 点备份：

0 3 * * * /opt/ai-search/backup.sh >> /opt/ai-search/backups/backup.log 2>&1

十六、升级与回滚

1. 正常升级

cd /opt/ai-search
docker compose pull
docker compose up -d

升级后观察日志：

docker compose logs -f ai-search

2. 升级前备份

升级前一定要备份数据库：

./backup.sh

如果项目有数据库迁移，升级后可能无法直接降级，所以务必保留旧镜像版本。

3. 固定镜像版本

生产环境不建议长期使用：

image: your-ai-search-image:latest

建议固定版本：

image: your-ai-search-image:v1.2.3

这样可以避免项目自动拉取最新镜像后出现不兼容问题。

4. 回滚方式

如果升级失败，可以修改镜像版本为旧版本：

image: your-ai-search-image:v1.2.2

然后执行：

docker compose up -d

如果数据库结构已经被新版本迁移，可能还需要恢复备份。

十七、常见问题排查

1. 页面打不开

检查容器是否正常：

docker compose ps

检查 Nginx 日志：

docker compose logs -f nginx

检查主服务日志：

docker compose logs -f ai-search

常见原因：

• 域名没有解析到服务器
• 防火墙没有开放 80 / 443
• Nginx 配置错误
• AI Search 服务没有启动
• 容器网络不通

2. 数据库连接失败

查看 PostgreSQL 状态：

docker compose logs -f postgres

常见原因：

• POSTGRES_PASSWORD 和 DATABASE_URL 不一致
• 数据库容器还没初始化完成
• 数据目录权限异常
• 旧数据目录中已有不同用户配置

如果是首次部署出错，可以清理数据目录后重新初始化：

docker compose down
rm -rf data/postgres/*
docker compose up -d

注意：这会删除数据库数据，只适合首次部署阶段。

3. Redis 认证失败

检查 Redis 密码：

docker compose logs -f redis

确认 REDIS_URL 中的密码和 REDIS_PASSWORD 一致：

REDIS_URL=redis://:你的密码@redis:6379/0

4. AI 回答很慢

可能原因：

• LLM API 响应慢
• 搜索服务响应慢
• 搜索结果数量太多
• 模型上下文过长
• 网络到模型服务不稳定

优化建议：

• 减少搜索结果数量
• 使用更快模型
• 开启缓存
• 增加接口超时时间
• 使用国内可访问性更好的模型服务

5. AI 答案不准确

AI 搜索的准确性很大程度取决于搜索结果质量。

建议：

• 开启引用来源
• 优化搜索 query 改写
• 限制模型必须基于搜索结果回答
• 对低可信来源降权
• 企业场景优先接入内部知识库
• 对敏感问题增加人工审核或免责声明

十八、生产环境安全建议

AI 搜索入口一旦暴露到公网，就必须重视安全。

1. 开启登录认证

如果是企业内部使用，建议开启账号体系，不要匿名开放。

2. 增加访问限流

可以在 Nginx 中增加基础限流：

limit_req_zone $binary_remote_addr zone=ai_search_limit:10m rate=5r/s;

在 server 或 location 中使用：

limit_req zone=ai_search_limit burst=20 nodelay;

3. 隐藏管理入口

如果项目有后台管理路径，例如 /admin，建议：

• 增加管理员权限校验
• 限制 IP 访问
• 开启二次验证
• 不要使用弱密码

4. API Key 不要写进前端

LLM API Key 必须只保存在后端环境变量中。
不要把 API Key 写在前端代码、浏览器 localStorage 或公开配置文件中。

5. 定期更新镜像

至少每月检查一次基础镜像和应用镜像安全更新。

docker compose pull
docker compose up -d

十九、生产实测经验总结

经过实际部署和运行，AI 搜索生产环境最容易踩坑的地方主要有以下几个。

1. 超时问题比性能问题更常见

AI 搜索链路较长：

用户提问 -> 搜索 -> 抓取内容 -> 整理上下文 -> 调用模型 -> 流式返回

任何一个环节慢，都会导致整体变慢。
所以 Nginx、后端服务、模型请求都要合理设置超时时间。

2. 日志一定要控制大小

Docker 默认日志长期运行可能占用几十 GB。
生产服务器磁盘满了以后，数据库和容器都会异常。

3. 数据库备份不能省

很多人以为 AI 搜索只是一个工具，数据丢了无所谓。
但实际运行一段时间后，里面会积累大量用户会话、知识库配置、系统设置和审计信息。数据库备份必须自动化。

4. 模型成本需要监控

如果开放给多人使用，LLM API 成本可能增长很快。
建议增加：

• 用户级调用次数限制
• 单次问题 token 限制
• 缓存策略
• 模型分级策略
• 日志审计

例如普通问题使用低成本模型，复杂问题再切换高质量模型。

5. 不建议裸奔开放公网

如果没有登录认证和限流，AI 搜索很容易被滥用。
轻则 API 费用暴涨，重则服务被刷爆。

二十、最终检查清单

上线前建议逐项检查：

• [ ] 域名已正确解析
• [ ] HTTPS 已开启
• [ ] Docker Compose 服务全部正常
• [ ] 数据库已持久化
• [ ] Redis 已设置密码
• [ ] LLM API Key 未暴露到前端
• [ ] Nginx 超时时间已调大
• [ ] Docker 日志轮转已配置
• [ ] 防火墙只开放必要端口
• [ ] 已配置数据库自动备份
• [ ] 已开启登录认证或访问控制
• [ ] 已测试升级和回滚流程
• [ ] 已设置监控或至少保留日志

结语

使用 Docker 部署 AI 搜索并不复杂，真正的难点在于生产环境的稳定性、安全性和可维护性。一个能在本地运行的 AI 搜索项目，距离生产可用还需要补齐 HTTPS、数据库持久化、备份、限流、日志轮转、权限控制、模型成本控制等环节。

如果只是个人体验，可以用最简单的 Docker Compose 快速启动；如果是企业内部或公网服务，建议按照本文的生产环境方案进行部署。这样后续无论是升级、迁移、排障还是扩容，都会更加可控。

简而言之，AI 搜索部署的核心原则是：

容器化运行、数据持久化、入口 HTTPS、密钥后端化、日志可控、备份自动化、访问有限流。

只要把这些基础工作做好，一套 AI 搜索服务就可以比较稳定地长期运行。