跳到主要内容
版本：dev

Docker 部署

Docker 镜像准备​

准备 Docker 镜像有两种方式：

  1. 直接拉取官方镜像
  2. 本地构建，参考 构建 Docker 镜像

实际使用时二选一即可。

使用代理模型部署​

这种部署方式不需要 GPU 环境。

  1. 从官方镜像仓库拉取镜像：Eosphoros AI Docker Hub
docker pull eosphorosai/dbgpt-openai:latest
  1. 运行 Docker 容器

此示例要求你提供可用的 SiliconFlow API Key。你可以在 SiliconFlow 注册，并在 API Key 页面 创建。也可以通过设置 AIMLAPI_API_KEY 来使用 AI/ML API 服务。

docker run -it --rm -e SILICONFLOW_API_KEY=${SILICONFLOW_API_KEY} \
 -p 5670:5670 --name dbgpt eosphorosai/dbgpt-openai

或者使用 AI/ML API：

docker run -it --rm -e AIMLAPI_API_KEY=${AIMLAPI_API_KEY} \
 -p 5670:5670 --name dbgpt eosphorosai/dbgpt-openai

请将 ${SILICONFLOW_API_KEY} 或 ${AIMLAPI_API_KEY} 替换成你自己的 API Key。

之后就可以在浏览器访问 http://localhost:5670。

使用 GPU（本地模型）部署​

这种部署方式需要 GPU 环境。

在运行 Docker 容器之前，需要先安装 NVIDIA Container Toolkit。详情请参考官方文档：NVIDIA Container Toolkit。

在这种部署方式中，你将使用本地模型，而不是在容器中临时从 Hugging Face 或 ModelScope 下载。如果你已经提前把模型下载到本地，或者想使用其他来源的模型，这种方式会更方便。

第 1 步：下载模型​

在运行 Docker 容器之前，需要先将模型下载到本地机器。你可以选择 Hugging Face 或 ModelScope（中国用户推荐）进行下载。

  1. 如果还没有安装，请先安装 git 和 git-lfs：

    sudo apt-get install git git-lfs

  2. 在当前工作目录创建 models 目录：

    mkdir -p ./models

  3. 使用 git 将模型仓库克隆到 models 目录：

    cd ./models
    git lfs install
    git clone https://www.modelscope.cn/Qwen/Qwen2.5-Coder-0.5B-Instruct.git
    git clone https://www.modelscope.cn/BAAI/bge-large-zh-v1.5.git
    cd ..

    模型会被下载到 ./models/Qwen2.5-Coder-0.5B-Instruct 和 ./models/bge-large-zh-v1.5 目录下。

第 2 步：准备配置文件​

创建一个名为 dbgpt-local-gpu.toml 的配置文件，并填入以下内容：

[models]
[[models.llms]]
name = "Qwen2.5-Coder-0.5B-Instruct"
provider = "hf"
# 指定模型在本地文件系统中的路径
path = "/app/models/Qwen2.5-Coder-0.5B-Instruct"

[[models.embeddings]]
name = "BAAI/bge-large-zh-v1.5"
provider = "hf"
# 指定模型在本地文件系统中的路径
path = "/app/models/bge-large-zh-v1.5"

该配置文件用于指定 Docker 容器内模型的本地挂载路径。

第 3 步：运行 Docker 容器​

运行 Docker 容器，并挂载本地 models 目录：

docker run --ipc host --gpus all \
  -it --rm \
  -p 5670:5670 \
  -v ./dbgpt-local-gpu.toml:/app/configs/dbgpt-local-gpu.toml \
  -v ./models:/app/models \
  --name dbgpt \
  eosphorosai/dbgpt \
  dbgpt start webserver --config /app/configs/dbgpt-local-gpu.toml

命令说明：​

  • --ipc host：启用 host IPC 模式以获得更好的性能。
  • --gpus all：允许容器使用所有可用 GPU。
  • -v ./dbgpt-local-gpu.toml:/app/configs/dbgpt-local-gpu.toml：将本地配置文件挂载到容器内。
  • -v ./models:/app/models：将本地 models 目录挂载到容器内。
  • eosphorosai/dbgpt：使用的 Docker 镜像。
  • dbgpt start webserver --config /app/configs/dbgpt-local-gpu.toml：使用指定配置文件启动 webserver。

第 4 步：访问应用​

容器启动后，可以在浏览器访问 http://localhost:5670。

第 5 步：持久化数据（可选）​

为了避免容器停止或删除后数据丢失，你可以把 pilot/data 和 pilot/message 目录映射到本地机器。这两个目录用于保存应用数据和消息。

  1. 创建本地目录用于数据持久化：

    mkdir -p ./pilot/data
    mkdir -p ./pilot/message
    mkdir -p ./pilot/alembic_versions

  2. 修改 dbgpt-local-gpu.toml 中的路径配置：

    [service.web.database]
    type = "sqlite"
    path = "/app/pilot/message/dbgpt.db"

  3. 运行 Docker 容器并增加额外挂载：

    docker run --ipc host --gpus all \
      -it --rm \
      -p 5670:5670 \
      -v ./dbgpt-local-gpu.toml:/app/configs/dbgpt-local-gpu.toml \
      -v ./models:/app/models \
      -v ./pilot/data:/app/pilot/data \
      -v ./pilot/message:/app/pilot/message \
      -v ./pilot/alembic_versions:/app/pilot/meta_data/alembic/versions \
      --name dbgpt \
      eosphorosai/dbgpt \
      dbgpt start webserver --config /app/configs/dbgpt-local-gpu.toml

    这样可以保证 pilot/data 和 pilot/message 目录中的数据持久化到本地。

目录结构示例​

完成后，目录结构大致如下：

.
├── dbgpt-local-gpu.toml
├── models
│   ├── Qwen2.5-Coder-0.5B-Instruct
│   └── bge-large-zh-v1.5
├── pilot
│   ├── data
│   └── message

这种方式可以确保模型和应用数据保存在本地，并挂载到 Docker 容器中，避免数据丢失。