欢迎来到《Python + AI Agent 实战开发完全指南》专栏！

在前面的课程中，我们已经成功打造了具备异步处理能力的多智能体协作系统（FastAPI + Celery + Redis）。但说实话，很多开发者在本地跑通代码后，一到服务器部署环节就会因为环境不一致、依赖冲突等问题抓狂。所以今天这一讲，我们不整虚的，直接带你把整个 Agent 后端工程进行Docker 容器化封装，并套上一个高颜值的 Streamlit 可视化界面，实现真正的“一键部署”。

一、 磨刀不误砍柴工：极简环境准备

在开始打包之前，我们需要确保你的电脑已经安装了 Docker 和 Docker Compose。同时，我们还需要为前端交互准备一个轻量级的 UI 库：

打开终端，执行以下命令安装必备库：

pip install streamlit requests

注：*streamlit** 是 Python 生态中最友好的数据应用框架，几行代码就能生成漂亮的 Web 界面，非常适合用来展示 Agent 的思考过程。*

在你的项目根目录下创建一个 .env 文件，确保里面包含了 LLM 的密钥和 Redis 的连接地址：

OPENAI_API_KEY=sk-xxxxxxxxxxxxx
BASE_URL=https://dashscope.aliyuncs.com/compatible-mode/v1
REDIS_URL=redis://localhost:6379/0

二、 核心架构拆解：容器化编排的本质

要让多组件的 Agent 系统在服务器上稳定运行，关键在于给它们提供一个隔离且标准化的运行环境。目前业界最经典的云原生范式就是 Docker Compose。

一个标准的 Agent 生产级部署包含三个步骤：

1. 构建镜像（Build）：将 Python 环境、系统依赖和业务代码打包成不可变的 Docker Image。
2. 服务编排（Compose）：通过 YAML 配置文件，统一调度 Web 服务、后台 Worker 和消息队列。
3. 可视化接入（UI）：将硬核的后端 API 包装成用户友好的交互界面。

三、 实战演练：一键部署你的 Agent 团队

接下来，我们把理论落地。这段配置展示了如何将复杂的分布式系统压缩到两个文件中。

1. 编写生产级 Dockerfile

在项目根目录创建 Dockerfile，定义我们的基础运行环境：

# ========== 1. 使用官方轻量级 Python 基础镜像 ==========
FROM python:3.10-slim

# ========== 2. 设置工作目录 ==========
WORKDIR /app

# ========== 3. 先复制依赖文件并安装（利用缓存层优化构建速度） ==========
COPY requirements.txt .
RUN pip install --no-cache-dir -r requirements.txt

# ========== 4. 复制项目源码 ==========
COPY . .

# ========== 5. 暴露 FastAPI 默认端口 ==========
EXPOSE 8000

2. 终极武器：Docker Compose 一键编排

在项目根目录创建 docker-compose.yml，这是启动整个系统的核心：

version: '3.8'

services:
  # 1. 消息中间件与结果存储
  redis:
    image: redis:7-alpine
    ports:
      - "6379:6379"
    volumes:
      - redis_data:/data

  # 2. FastAPI Web 服务
  web:
    build: .
    command: uvicorn main:app --host 0.0.0.0 --port 8000
    ports:
      - "8000:8000"
    env_file:
      - .env
    depends_on:
      - redis

  # 3. Celery 后台 Worker (注意：它使用的是同一个镜像，但启动命令不同)
  worker:
    build: .
    command: celery -A celery_app worker --loglevel=info
    env_file:
      - .env
    depends_on:
      - redis

volumes:
  redis_data:

3. 让 Agent 拥有灵魂：Streamlit 可视化界面

新建 streamlit_ui.py，为你的 Agent 团队套上一层交互外壳：

import streamlit as st
import requests
import time

st.set_page_config(page_title="AI Agent Team", layout="wide")
st.title(" 多智能体协作工作台")

# 用户输入区
user_query = st.text_area("请输入你的复杂任务指令：", height=100)
max_rounds = st.slider("最大协作轮数", min_value=1, max_value=10, value=3)

if st.button(" 提交给 Agent 团队"):
    if user_query:
        # 1. 调用异步接口
        response = requests.post(
            "http://localhost:8000/api/v1/agents/collaborate/async", 
            json={"query": user_query, "max_rounds": max_rounds}
        )
        task_id = response.json()["task_id"]
        
        # 2. 展示进度条
        progress_bar = st.progress(0)
        status_text = st.empty()
        
        while True:
            res = requests.get(f"http://localhost:8000/api/v1/tasks/{task_id}").json()
            if res["status"] == "SUCCESS":
                progress_bar.progress(100)
                status_text.success(" 任务完成！")
                st.subheader("最终报告：")
                st.markdown(res["result"]["report"])
                break
            elif res["status"] == "FAILURE":
                status_text.error(f" 发生错误: {res['error']}")
                break
            else:
                status_text.info(f" 正在处理: {res.get('progress', 'Initializing...')}")
                time.sleep(2)

需要注意的是，当你将这套代码推送到云服务器时，记得在终端执行 docker-compose up -d --build，加上 -d 参数可以让所有服务在后台静默运行。

四、 代码深度解析与避坑指南

运行上面的命令，你会看到终端里打印出各个容器的启动日志。在这个过程中，有几个工程细节值得注意：

1. 镜像分层与缓存：我们在 Dockerfile 中刻意将 COPY requirements.txt 和 COPY . . 分开。这样当你只修改了业务代码时，Docker 会直接命中依赖安装的缓存，避免每次都重新下载庞大的第三方库。
2. 同镜像多角色复用：在 docker-compose.yml 中，Web 服务和 Worker 都使用了 build: .。这意味着它们共享同一份底层环境和代码，只是在启动时执行了不同的 command，极大简化了维护成本。
3. 网络通信机制：在 Compose 内部，容器之间可以直接通过服务名（如 redis）互相访问，无需使用 localhost。而 Streamlit 访问 FastAPI 时，如果不在同一个容器内，则需要映射宿主机的真实 IP 或端口。

本节小结

今天我们彻底摆脱了“在我的电脑上能跑”的环境地狱，用最底层的 Docker 实现了多智能体系统的标准化交付。理解了这套机制，你再去学 Kubernetes 或者云厂商的 Serverless 平台时，就会发现它们只是帮你把这里的 docker-compose.yml 管理得更自动化了而已。

下一讲，我们将迎来本专栏的最终章——性能优化与安全边界，看看如何控制 Token 成本并防止恶意 Prompt 注入，让你的 Agent 真正无懈可击！