Docker 部署 Make AI：适用场景与核心优势
Make AI 是一款将大模型能力、API 调用、任务编排与工作流自动化融为一体的 AI 自动化工具，广泛应用于个人效率提升、团队内部助手搭建、内容处理流水线、智能客服辅助以及数据整理等场景。与直接在主机上安装运行环境相比，Docker 部署凭借其依赖隔离、迁移便捷、升级与回退可控等优势，成为更高效的选择。只要镜像、配置文件和持久化数据目录完整保存，即便更换服务器，也能快速恢复服务。
这种部署方式尤其适合已拥有 Linux 服务器、NAS、云主机或本地开发机的用户。若仅需短期体验，可单容器启动；若计划长期稳定运行，推荐使用 docker compose 管理服务，将端口映射、数据卷、环境变量及重启策略统一写入配置文件，后续维护与扩展更加清晰。
准备工作：系统要求、Docker 环境与镜像来源确认
开始前需准备一台稳定联网的主机，建议最低配置为 2 核 CPU、4GB 内存、10GB 以上可用磁盘空间。若需处理大量文件、日志或向量数据，应预留更多磁盘空间。操作系统可选常见 Linux 发行版或支持 Docker 的桌面系统，生产环境强烈建议使用 64 位 Linux，并确保系统时间准确，否则可能导致接口鉴权、定时任务及日志排查出现偏差。
首先确认 Docker 是否就绪：运行 docker version 查看客户端与服务端版本信息，执行 docker ps 验证当前用户是否具有容器运行权限。若提示权限不足，可将当前用户加入 docker 用户组，或临时使用管理员权限执行命令。镜像名称须以 Make AI 官方文档或项目仓库说明为准，常见格式如 make-ai/make-ai:latest 或 ghcr.io/xxx/make-ai:latest。不建议随意使用来源不明的镜像，以防引入被篡改的程序或隐藏风险。
第一步：拉取 Make AI 镜像
确认镜像地址后，执行拉取命令：docker pull make-ai/make-ai:latest。若项目提供固定版本号，建议优先使用明确版本，例如 make-ai/make-ai:1.2.0，而非长期依赖 latest 标签。latest 虽方便，但升级内容不透明，可能引发配置变化、数据结构调整或插件不兼容。
拉取完成后，使用 docker images 确认镜像已存在，并记录镜像 ID、标签及创建时间。正式部署前应查阅项目发布说明，确认该版本是否需要额外依赖（如数据库、缓存组件或模型服务）。若 Make AI 支持仅依赖本地目录运行，部署流程将更简洁；若需外部服务，则需提前准备连接地址、账号密钥及网络访问策略。
第二步：规划端口映射
端口映射决定了外部如何访问容器内的 Web 页面或 API。假设 Make AI 容器内默认监听 3000 端口，可将主机 8080 端口映射至容器 3000 端口：docker run -d --name make-ai -p 8080:3000 make-ai/make-ai:latest。启动后访问 https://服务器地址:8080 即可进入服务界面。
端口规划需避免与主机已有服务冲突。可用 ss -lntp 或 netstat -lntp 查看端口占用情况。若 8080 已被占用，可改为 18080、13000 等未冲突端口。对于团队内部服务，不建议直接暴露公网，应限制访问来源或部署于内网环境。若需对外提供访问，至少应启用登录认证、强密码、访问日志及请求频率限制。
第三步：配置数据目录，实现持久化存储
Docker 容器删除后，内部未挂载的数据可能丢失。因此，Make AI 的配置文件、上传文件、工作流定义、日志及插件数据等应挂载至主机目录。首先在主机创建目录：mkdir -p /opt/make-ai/data /opt/make-ai/config /opt/make-ai/logs。随后启动时加入数据卷参数，例如：docker run -d --name make-ai -p 8080:3000 -v /opt/make-ai/data:/app/data -v /opt/make-ai/config:/app/config -v /opt/make-ai/logs:/app/logs make-ai/make-ai:latest。
容器内路径须以官方说明为准，不同镜像可能使用 /data、/app/storage 或其他目录。首次运行后，可通过 docker exec -it make-ai sh 进入容器查看目录结构，或通过日志判断配置是否加载成功。目录权限同样至关重要：若容器无法写入挂载目录，可能导致页面报错、工作流无法保存或日志为空。建议根据镜像运行用户调整目录属主，避免对所有目录开放过高权限。
第四步：通过环境变量完成基础配置
多数 AI 自动化工具通过环境变量配置站点地址、密钥、模型接口、上传限制、日志等级等参数。常见写法是在启动命令中添加 -e 参数：-e APP_URL=https://your-host:8080 -e TZ=Asia/Shanghai -e LOG_LEVEL=info。若需连接大模型服务，还可能需要配置 AI_API_BASE、AI_API_KEY、DEFAULT_MODEL 等变量，具体名称以 Make AI 文档为准。
密钥切勿写入公开脚本、截图或多人共享文档。生产环境建议使用独立的环境变量文件，例如 --env-file /opt/make-ai/.env，并限制该文件读取权限。若团队多人维护，应明确配置修改权限，变更前先备份，变更后记录时间、修改项及影响范围，便于故障定位。
推荐方式：使用 docker compose 统一管理
长期运行时，docker compose 比单条命令更易于维护。可在 /opt/make-ai 下创建 compose 配置文件，设定镜像、容器名、端口映射、数据卷、环境变量及重启策略。核心思路是将运行参数固化，后续使用 docker compose up -d 启动，docker compose logs -f 查看日志，docker compose down 停止服务。
重启策略建议设为 unless-stopped，主机重启后服务会自动恢复。日志需定期检查，避免异常重试导致磁盘占满。若 Make AI 依赖额外组件，compose 可将多个服务纳入同一文件管理，通过内部服务名互相访问，减少手工配置错误。
升级、回退与备份策略
升级前务必完成三件事：备份数据目录、记录当前镜像版本、查阅新版说明。备份可直接复制 /opt/make-ai 目录，或使用压缩包保存配置、数据及日志中的关键部分。升级时先拉取新镜像，再停止旧容器并以相同数据目录启动新版本。若出现页面异常、工作流丢失或接口调用失败，应立即停止新容器，使用旧版本镜像重新启动。
避免在业务高峰期直接升级，也不建议连续跨越多个大版本升级。更稳妥的做法是先在测试环境验证现有工作流、定时任务、外部接口及权限配置，确认无误后再迁移至正式环境。对于重要自动化任务，建议保留导出的工作流文件和关键参数清单，避免仅依赖单一数据目录。
常见问题排查
页面无法打开时，先检查容器是否运行：docker ps。若容器反复重启，查看日志：docker logs make-ai --tail=200。常见原因包括端口冲突、环境变量缺失、数据目录无写入权限、镜像架构与主机不匹配等。若主机可访问但其他设备无法访问，需检查防火墙规则、云主机安全策略及服务监听地址。
工作流无法保存，多半与数据目录挂载或权限有关。模型调用失败，应检查接口地址、密钥、模型名称、额度状态及请求格式。上传文件失败，可能是上传目录不可写或系统限制过小。容器时间不准，可配置 TZ=Asia/Shanghai，并确保主机时间同步正常。日志过大时，可配置 Docker 日志轮转，避免长期运行后占满磁盘。
安全边界与实用建议
Make AI 可连接外部接口、处理文件及执行自动化任务，因此安全边界需提前设定。避免将高权限密钥交给未经验证的工作流使用，防止不可信用户随意导入脚本或插件，杜绝将内部资料直接交由未知来源的模型接口处理。团队使用时，应区分管理员、编辑者与普通使用者，减少误操作影响范围。
建议将部署目录、镜像版本、端口映射、环境变量说明及恢复步骤整理为运维文档。每次修改配置后，先观察日志与核心功能，再交付团队使用。对于个人用户，最重要是固定版本、做好备份、少开端口；对于团队用户，还需关注权限分层、访问记录与变更流程。只要镜像来源可信、端口规划清晰、数据目录持久化到位，Docker 部署 Make AI 便能兼顾上手速度与长期稳定性。
