GenAI Cookbook开发手册：MongoDB与Docker容器化AI应用

gitblog_00056

448人浏览 · 2025-10-12 01:09:31

gitblog_00056 · 2025-10-12 01:09:31 发布

GenAI Cookbook开发手册：MongoDB与Docker容器化AI应用

【免费下载链接】GenAI-Showcase GenAI Cookbook 项目地址: https://gitcode.com/GitHub_Trending/ge/GenAI-Showcase

引言

你还在为AI应用的环境配置而烦恼吗？本文将带你一步解决MongoDB与Docker容器化AI应用的开发难题。读完本文，你将能够：

理解Docker容器化MongoDB AI应用的核心原理
掌握使用Docker Compose编排多服务AI应用的方法
构建一个基于Streamlit、LangChain、Ollama和MongoDB的本地聊天机器人
学会调试和优化容器化AI应用

技术栈概述

本项目采用以下技术栈构建容器化AI应用：

MongoDB Atlas：提供强大的向量搜索能力，用于存储和检索文档向量
Docker：容器化应用，确保环境一致性和部署便捷性
Streamlit：快速构建交互式Web界面
LangChain：连接LLM和外部数据源的框架
Ollama：本地运行大语言模型的工具

项目结构遵循最佳实践，主要文件包括：

环境准备

安装Docker和Docker Compose

确保你的系统已安装Docker和Docker Compose。如果尚未安装，可以参考Docker官方文档进行安装。

克隆项目仓库

git clone https://gitcode.com/GitHub_Trending/ge/GenAI-Showcase
cd GenAI-Showcase/apps/local-bot

Docker容器化配置

Dockerfile详解

Dockerfile定义了应用的构建过程和运行环境。以下是本项目使用的Dockerfile内容：

FROM python:3.12
WORKDIR /opt/app
ADD requirements.txt .
RUN pip install -r requirements.txt
ADD app.py .

CMD ["streamlit", "run", "app.py", "--server.port=8501", "--server.address=0.0.0.0"]

这个Dockerfile做了以下几件事：

使用Python 3.12作为基础镜像
设置工作目录为/opt/app
安装依赖包
添加应用代码
定义启动命令，运行Streamlit应用

Docker Compose服务编排

compose.yaml文件定义了多服务的编排配置：

services:
  app:
    build:
      context: .
    ports:
      - 8501:8501/tcp
    environment:
      OLLAMA_HOST: host.docker.internal:11434
      MONGO_URI: mongodb://root:root@mongo:27017/admin?directConnection=true
    extra_hosts:
      - "host.docker.internal:host-gateway"
  mongo:
    image: mongodb/mongodb-atlas-local
    environment:
      - MONGODB_INITDB_ROOT_USERNAME=root
      - MONGODB_INITDB_ROOT_PASSWORD=root
    ports:
       - 27017:27017

这个配置定义了两个服务：

app：AI应用服务，包含Streamlit前端和LangChain后端逻辑
mongo：MongoDB服务，使用MongoDB Atlas本地镜像

服务之间通过内部网络通信，同时暴露必要的端口给宿主机。

MongoDB集成

MongoDB连接配置

在应用代码中，我们使用pymongo连接MongoDB：

import os
from pymongo import MongoClient

MONGO_URI = os.getenv("MONGO_URI", "mongodb://localhost:27017")

try:
    mongo_client = MongoClient(MONGO_URI)
    collection = mongo_client["bot"]["data"]
except Exception as e:
    st.error(f"Failed to connect to MongoDB: {e}")
    st.stop()

连接字符串通过环境变量注入，确保了配置的灵活性和安全性。

向量搜索索引创建

使用MongoDB Atlas Vector Search功能，我们可以创建向量索引来加速相似性搜索：

from langchain_mongodb import MongoDBAtlasVectorSearch

vectorstore = MongoDBAtlasVectorSearch.from_documents(
    splits, 
    embedding, 
    collection=collection, 
    index_name="default"
)
vectorstore.create_vector_search_index(768)

这段代码从文档创建向量存储，并在MongoDB中创建向量搜索索引，维度为768，对应所使用的嵌入模型维度。