1. 环境准备：为什么选择Docker全家桶？

如果你和我一样，是个喜欢折腾的开发者，肯定遇到过这种头疼事：在本地电脑上跑得好好的项目，一搬到服务器上就各种报错，数据库连不上、依赖版本冲突、环境变量不对…… 光是排查问题就能耗掉大半天。我之前部署一个稍微复杂点的Node.js应用就吃过这个亏，本地是Node 16，服务器是Node 18，一个不起眼的API行为差异就让整个服务挂了。

所以这次搞FastGPT，我铁了心要用Docker。Docker化部署的核心优势，说白了就是环境一致性。你在MacBook上开发用的镜像，和最终在Linux服务器上跑的镜像，是完全一样的。这就像你把整个应用，连同它需要的所有“家具”（数据库、运行时、配置文件），一起打包进了一个标准集装箱里。无论是在本地码头（开发机）还是远洋货轮（生产服务器），这个集装箱里的东西都不会变。

对于FastGPT这种技术栈比较丰富的项目（MySQL、MongoDB、PostgreSQL with pgvector、Node.js、OneAPI），Docker Compose更是神器。它让你用一个docker-compose.yml文件，就能定义和运行所有这些相互依赖的服务。你不用再手动一个个去安装、配置、启动，Compose帮你把网络打通、把依赖关系理清。开发的时候，一条命令就能拉起全套环境；上线的时候，几乎可以把同样的Compose文件（稍作调整）直接搬到服务器上。

在开始动手之前，你需要确保本地已经装好了这两样东西：

  • Docker Engine：这是核心的容器运行时。去Docker官网下载对应你操作系统（Windows/macOS/Linux）的Docker Desktop安装就行，它自带Docker Compose。
  • Git：用来拉取FastGPT的源代码。

你可以打开终端，用下面这两条命令验证一下安装是否成功：

docker --version
docker-compose --version

如果都能正确输出版本号，那么恭喜你，你的“造船厂”已经准备就绪，可以开始打造我们的FastGPT集装箱了。

2. 数据库先行：用Docker Compose搭建稳固的数据基石

数据库是任何应用的“记忆中枢”，FastGPT也不例外。它用到了三种数据库：MySQL给OneAPI用，MongoDB存储核心的业务数据，PostgreSQL（搭配pgvector扩展）则专门处理向量数据，用于AI模型的语义搜索。在Docker的世界里，我们第一步就是为这些数据库创建独立的、隔离的运行环境。

2.1 创建专属的Docker网络

首先，我们需要创建一个自定义的Docker网络，我习惯命名为fastgpt。这个网络就像一个私有的局域网，所有后续创建的数据库、OneAPI、FastGPT服务容器都会接入这个网络。在这个网络里，容器之间可以通过容器名称直接互相访问，比如FastGPT容器里配置MongoDB连接地址，直接写mongo:27017就能通，非常方便，也避免了端口冲突的麻烦。

创建网络的命令很简单：

docker network create fastgpt

执行后，你可以用docker network ls查看，应该能看到一个名为fastgpt的网络。

2.2 编写并启动数据库的Compose文件

接下来是重头戏，编写docker-compose-db.yml文件。我把这个文件的内容和关键解释放在下面，你可以直接复制保存。这里我选择使用Docker Hub的官方镜像，如果你在国内访问Docker Hub慢，可以把image那行注释掉，使用下面阿里云镜像加速地址的注释行，速度会快很多。

version: '3.3'
services:
  mysql:
    image: mysql:8.0.36
    container_name: mysql
    restart: always
    ports:
      - "3307:3306" # 主机端口3307映射到容器内3306，避免和本地可能已有的MySQL冲突
    networks:
      - fastgpt
    command: --default-authentication-plugin=mysql_native_password
    environment:
      MYSQL_ROOT_PASSWORD: oneapimmysql # 初始root密码，务必记牢或修改
      MYSQL_DATABASE: oneapi # 自动创建名为oneapi的数据库
    volumes:
      - ./mysql_data:/var/lib/mysql # 数据持久化到本地mysql_data目录

  mongo:
    image: mongo:5.0.18
    container_name: mongo
    restart: always
    ports:
      - "27017:27017"
    networks:
      - fastgpt
    command: mongod --keyFile /data/mongodb.key --replSet rs0 # 以副本集模式启动，这是FastGPT的要求
    environment:
      MONGO_INITDB_ROOT_USERNAME: myusername
      MONGO_INITDB_ROOT_PASSWORD: mypassword
    volumes:
      - ./mongo_data:/data/db
      - ./mongo_init.js:/docker-entrypoint-initdb.d/mongo_init.js:ro # 初始化脚本
    # 注意：生产环境强烈建议把端口映射去掉，仅通过内部网络访问，更安全。

  pg:
    image: pgvector/pgvector:0.7.0-pg15 # 这个镜像已经包含了pgvector扩展
    container_name: pg
    restart: always
    ports:
      - "5432:5432"
    networks:
      - fastgpt
    environment:
      POSTGRES_USER: username
      POSTGRES_PASSWORD: password
      POSTGRES_DB: postgres
    volumes:
      - ./pg_data:/var/lib/postgresql/data

networks:
  fastgpt:
    external: true # 使用我们之前创建的外部网络

这里有几个坑我提前帮你踩了：

  1. MongoDB副本集：FastGPT要求MongoDB以副本集模式运行，哪怕你是单机。上面配置里的command参数和初始化脚本就是为了搞定这个。你需要额外创建一个mongo_init.js文件，内容如下： 
    rs.initiate({
  _id: "rs0",
  members: [ { _id: 0, host: "mongo:27017" } ]
})
    这个文件会被MongoDB容器在首次启动时自动执行，完成副本集初始化。
  2. 连接字符串参数：这是个大坑！当你的应用（比如本地开发的FastGPT）在Docker网络外部连接这个MongoDB时，必须在连接字符串末尾加上?authSource=admin&directConnection=true。directConnection=true这个参数对于连接单节点副本集至关重要，不加的话Node.js驱动可能会报连接错误。
  3. 数据持久化：留意每个服务下面的volumes配置，比如./mysql_data:/var/lib/mysql。这会把容器内的数据库文件保存到你当前目录下的mysql_data文件夹里。这样即使你删除了容器，数据也不会丢失。第一次启动前，记得先创建这些目录（mkdir mysql_data mongo_data pg_data）。

文件准备好后，在终端进入该文件所在目录，执行：

docker-compose -f docker-compose-db.yml up -d

-d参数是让它们在后台运行。用docker ps命令检查一下，应该能看到mysql、mongo、pg三个容器都处于“Up”状态。到这一步，你的数据基石就稳稳地打好了。

3. 本地开发：在Docker庇护下愉快地写代码

数据库跑起来了，现在我们可以把注意力放回代码本身。本地开发的目标是获得一个热重载、方便调试的环境，同时又能依赖我们刚部署好的Docker化数据库服务。

3.1 拉取代码与项目结构初探

首先，把FastGPT的代码克隆到本地：

git clone https://github.com/labring/FastGPT
cd FastGPT

项目结构稍微有点复杂，因为它是个Monorepo（多包仓库）。核心的前端和后端代码都在projects/app目录下。我们后续的配置和运行操作，基本都在这个目录里进行。

3.2 关键配置详解：环境变量与配置文件

FastGPT的配置主要通过两个文件管理，它们都在projects/app目录下。

第一个是环境变量文件。你需要复制.env.template为.env.local：

cp .env.template .env.local

然后编辑.env.local。这里面的参数很多，但初期你只需要重点关注和修改以下几项，确保它们和你的Docker数据库配置对上：

# MongoDB连接字符串，格式很重要！
MONGODB_URI=mongodb://myusername:mypassword@localhost:27017/fastgpt?authSource=admin&directConnection=true
# 注意这里主机是localhost，因为你的Node.js应用在宿主机运行，要连接Docker容器内的MongoDB。
# 端口是27017，密码是你之前设置的mypassword。

# PostgreSQL连接字符串
PG_URL=postgresql://username:password@localhost:5432/postgres

# OpenAI API的替代地址，我们先指向即将部署的OneAPI
OPENAI_BASE_URL=http://localhost:3000/v1
# 一个临时的测试Key，部署OneAPI后会修改
CHAT_API_KEY=sk-fastgpt

提示：MONGODB_URI里的directConnection=true参数再次出现，对于本地开发连接Docker内的MongoDB副本集，这个参数通常是必须的，能避免很多奇怪的超时错误。

第二个是应用配置文件。复制data/config.json为data/config.local.json：

cp data/config.json data/config.local.json

这个文件定义了更多应用行为参数。对于刚开始，你大部分时候不需要动它。但可以了解一下其中两个和性能相关的参数，等应用跑起来后根据服务器情况调整：

  • systemEnv.vectorMaxProcess：控制向量生成的最大并发进程数。如果你的服务器是2核4G，建议设为10-15。
  • systemEnv.qaMaxProcess：控制QA（问答对）生成的最大并发进程数。
  • systemEnv.pgHNSWEfSearch：PostgreSQL向量索引的EF Search参数，值越大搜索精度越高但越慢，一般保持默认即可。

3.3 安装依赖与启动开发服务器

FastGPT项目使用pnpm作为包管理器，并且提供了自动化安装脚本。在项目根目录执行：

# 如果是Linux/macOS，先给脚本执行权限
chmod -R +x ./scripts/
# 然后运行安装脚本
bash ./scripts/postinstall.sh

这个脚本会遍历根目录、projects和packages下的所有子项目，统一安装依赖。如果脚本执行有问题（比如在Windows的Git Bash里），可以尝试手动安装：

pnpm store prune # 清理一下store
pnpm i # 安装所有依赖

依赖安装是个体力活，可能需要一点时间，喝杯咖啡等待一下。

安装完成后，就可以进入应用目录启动开发服务器了：

cd projects/app
pnpm dev

如果一切顺利，终端会输出编译成功的消息，并提示服务运行在http://localhost:3000（通常是3000端口，具体看输出）。打开浏览器访问这个地址，你应该能看到FastGPT的登录界面。用默认账号root和密码1234（这个密码在后续部署时可以改）试试看能不能登录。到这一步，你的本地开发环境就完全跑通了，可以开始探索和修改代码了。

4. 部署OneAPI：统一管理你的AI模型钥匙

FastGPT本身不产生AI能力，它需要一个“模型网关”来对接OpenAI、文心一言、通义千问等各种大模型。这个网关就是OneAPI。它帮你统一管理各个模型的API Key、设置额度、查看用量，让FastGPT通过一个统一的接口调用所有模型，非常方便。

4.1 编写OneAPI的Compose文件

我们在之前的数据网络里部署OneAPI。创建一个新文件docker-compose-oneapi.yml：

version: '3.3'
services:
  oneapi:
    container_name: oneapi
    image: registry.cn-hangzhou.aliyuncs.com/fastgpt/one-api:v0.6.6 # 使用阿里云镜像加速
    ports:
      - "3001:3000" # 将容器的3000端口映射到主机的3001端口
    networks:
      - fastgpt
    restart: always
    environment:
      # 指向我们之前启动的MySQL容器，注意这里用的是容器名`mysql`和内部端口3306
      SQL_DSN: root:oneapimmysql@tcp(mysql:3306)/oneapi
      # 会话加密密钥，可以改成任意复杂字符串
      SESSION_SECRET: oneapisecretkey
      # 启用内存缓存提升性能
      MEMORY_CACHE_ENABLED: "true"
      # 启用批量更新，减少数据库压力
      BATCH_UPDATE_ENABLED: "true"
      BATCH_UPDATE_INTERVAL: "10"
      # 初始的root token，登录后务必修改！
      INITIAL_ROOT_TOKEN: fastgpt
    volumes:
      - ./oneapi_data:/data # 持久化OneAPI的数据
networks:
  fastgpt:
    external: true

关键点解读：

  • SQL_DSN：这里连接的是Docker网络内的MySQL服务，所以主机名直接写mysql，端口是容器内的3306。密码oneapimmysql必须和之前启动MySQL容器时设置的MYSQL_ROOT_PASSWORD一致。
  • INITIAL_ROOT_TOKEN：这是你首次登录OneAPI管理后台的“万能钥匙”，非常重要。部署成功后，务必第一时间在管理后台修改它。

4.2 启动与初始化配置

在终端运行：

docker-compose -f docker-compose-oneapi.yml up -d

等待片刻，访问 http://localhost:3001，你应该能看到OneAPI的登录界面。使用默认账号root和密码123456登录。

登录后第一件事，就是去“系统设置”里修改root账号的密码和那个INITIAL_ROOT_TOKEN，这是安全底线。

接着，你需要添加一个“渠道”。点击“渠道”->“添加渠道”，选择你想用的模型供应商，比如OpenAI。在表单里填入：

  • 名称：随便起，比如“我的OpenAI”
  • 分组：默认
  • 模型类型：选择OpenAI
  • 密钥：填入你从OpenAI官网获取的sk-开头的API Key。
  • 代理（可选）：如果你的服务器访问OpenAI需要代理，可以在这里填写。
  • 状态：勾选“自动禁用”和“自动启用”。

保存后，OneAPI会自动测试连接。状态显示为“已启用”就说明渠道添加成功了。

最后，你需要创建一个“令牌”（Token）给FastGPT用。点击“令牌”->“创建令牌”，额度可以设置一个很大的数或者直接不设限（用于测试），然后复制生成的令牌字符串（类似sk-xxx）。这个令牌就是FastGPT调用模型的凭证。

现在，回到你本地FastGPT的.env.local配置文件，把CHAT_API_KEY的值换成你刚刚在OneAPI创建的令牌，把OPENAI_BASE_URL改成http://localhost:3001/v1（注意端口是3001）。重启你的本地FastGPT开发服务器，理论上它现在就能通过OneAPI调用你配置的OpenAI模型了。你可以在FastGPT里创建一个简单的对话应用测试一下。

5. 上线部署：将完整的FastGPT栈迁移到服务器

本地一切都调试完毕后，就该考虑上线了。我们的目标是把这一整套服务（数据库、OneAPI、FastGPT）完整、稳定地部署到线上服务器。这里我提供两种最实用的方案，你可以根据实际情况选择。

5.1 方案一：使用官方镜像快速部署（推荐新手）

这是最简单直接的方式，适合想快速看到效果，或者对Docker镜像构建不熟悉的同学。你只需要在服务器上准备好docker-compose.yml文件，一键启动所有服务。

首先，在服务器上创建一个工作目录，比如/opt/fastgpt，然后把所有必要的配置和文件放进去。最关键的是一个整合的docker-compose-prod.yml文件：

version: '3.3'
services:
  mysql:
    image: mysql:8.0.36
    container_name: mysql-prod
    restart: unless-stopped # 生产环境推荐 unless-stopped
    # 生产环境建议注释掉ports，不暴露数据库端口到公网，仅通过内部网络访问
    # ports:
    #   - "3306:3306"
    networks:
      - fastgpt
    command: --default-authentication-plugin=mysql_native_password
    environment:
      MYSQL_ROOT_PASSWORD: your_strong_production_password # 一定要改！
      MYSQL_DATABASE: oneapi
    volumes:
      - /data/mysql:/var/lib/mysql # 建议映射到/data等独立存储目录
    # 可添加健康检查
    healthcheck:
      test: ["CMD", "mysqladmin", "ping", "-h", "localhost"]
      interval: 10s
      timeout: 5s
      retries: 3

  mongo:
    image: mongo:5.0.18
    container_name: mongo-prod
    restart: unless-stopped
    # ports:
    #   - "27017:27017"
    networks:
      - fastgpt
    command: mongod --keyFile /data/mongodb.key --replSet rs0
    environment:
      MONGO_INITDB_ROOT_USERNAME: prod_username
      MONGO_INITDB_ROOT_PASSWORD: prod_strong_password
    volumes:
      - /data/mongo:/data/db
      - ./mongo_init.js:/docker-entrypoint-initdb.d/mongo_init.js:ro

  pg:
    image: pgvector/pgvector:0.7.0-pg15
    container_name: pg-prod
    restart: unless-stopped
    # ports:
    #   - "5432:5432"
    networks:
      - fastgpt
    environment:
      POSTGRES_USER: prod_pg_user
      POSTGRES_PASSWORD: prod_pg_password
      POSTGRES_DB: postgres
    volumes:
      - /data/pg:/var/lib/postgresql/data

  oneapi:
    container_name: oneapi-prod
    image: registry.cn-hangzhou.aliyuncs.com/fastgpt/one-api:v0.6.6
    ports:
      - "3001:3000" # OneAPI管理后台端口
    networks:
      - fastgpt
    restart: unless-stopped
    depends_on:
      mysql:
        condition: service_healthy # 依赖MySQL健康状态
    environment:
      SQL_DSN: root:your_strong_production_password@tcp(mysql:3306)/oneapi
      SESSION_SECRET: your_production_session_secret
      MEMORY_CACHE_ENABLED: "true"
      BATCH_UPDATE_ENABLED: "true"
      INITIAL_ROOT_TOKEN: your_production_root_token # 务必修改！
    volumes:
      - /data/oneapi:/data

  fastgpt:
    container_name: fastgpt-prod
    image: registry.cn-hangzhou.aliyuncs.com/fastgpt/fastgpt:latest # 使用latest标签或指定稳定版本
    ports:
      - "3000:3000" # FastGPT主服务端口
    networks:
      - fastgpt
    restart: unless-stopped
    depends_on:
      - mongo
      - pg
      - oneapi
    environment:
      DEFAULT_ROOT_PSW: your_fastgpt_admin_password # 修改默认管理员密码
      OPENAI_BASE_URL: http://oneapi:3000/v1 # 注意这里用容器名，端口是3000
      CHAT_API_KEY: sk-your-oneapi-token # 替换为在OneAPI创建的令牌
      MONGODB_URI: mongodb://prod_username:prod_strong_password@mongo:27017/fastgpt?authSource=admin&directConnection=true
      PG_URL: postgresql://prod_pg_user:prod_pg_password@pg:5432/postgres
      SANDBOX_URL: http://sandbox:3000 # 如果需要代码执行沙箱
      # 其他环境变量如日志级别等根据需要调整
      LOG_LEVEL: info
    volumes:
      - ./config.prod.json:/app/data/config.json # 挂载生产环境配置文件

  # 如果需要代码执行功能，部署sandbox
  sandbox:
    container_name: sandbox-prod
    image: registry.cn-hangzhou.aliyuncs.com/fastgpt/fastgpt-sandbox:latest
    networks:
      - fastgpt
    restart: unless-stopped
    # 通常sandbox不需要对外暴露端口

networks:
  fastgpt:
    external: false # 生产环境可以让Compose自己创建
    name: fastgpt-network # 指定网络名称

这个文件把数据库、OneAPI、FastGPT主服务和沙箱（如果需要）都整合在了一起。部署前，你必须做以下几件事：

  1. 修改所有密码和密钥：把your_strong_production_password、prod_strong_password、your_production_root_token、sk-your-oneapi-token等占位符全部替换成你自己生成的强密码和真实的令牌。
  2. 准备初始化脚本：在相同目录下创建mongo_init.js文件，内容同开发环境。
  3. 准备生产配置：创建config.prod.json，可以根据需要调整生产环境的参数，比如关闭调试信息、调整进程数等。
  4. 创建数据目录：在服务器上创建/data/mysql，/data/mongo等目录，并确保Docker进程有读写权限（通常需要sudo chmod -R 777 /data或更精细的权限控制）。

在服务器上，进入该目录，先创建网络（如果使用外部网络）：

docker network create fastgpt-network

然后启动所有服务：

docker-compose -f docker-compose-prod.yml up -d

使用docker-compose logs -f可以查看所有容器的日志，排查启动问题。访问服务器IP的3000端口，你应该就能看到线上版的FastGPT了。

5.2 方案二：打包自定义镜像部署（适合深度定制）

如果你在本地开发时对FastGPT源码做了大量定制修改，那么使用官方镜像就不合适了。你需要把自己修改后的代码打包成镜像，再部署到服务器。

第一步，在本地开发机打包镜像。 在FastGPT项目根目录执行：

docker build -f ./projects/app/Dockerfile -t mycompany/fastgpt:custom-v1 .

这个命令会根据projects/app/Dockerfile的指令，构建一个名为mycompany/fastgpt:custom-v1的镜像。构建过程会安装所有依赖并打包应用。

第二步，将镜像传输到服务器。 有两种常用方法：

  • 方法A：推送到私有镜像仓库。如果你有Docker Hub账号或自建的Harbor等私有仓库，可以给镜像打tag然后docker push上去，在服务器上docker pull下来。这是最规范的做法。
  • 方法B：直接打包文件传输。对于临时或内网环境，可以用docker save和docker load： 
    # 在本地机器，将镜像保存为tar文件
docker save -o fastgpt-custom.tar mycompany/fastgpt:custom-v1
# 使用scp、rsync等工具将fastgpt-custom.tar上传到服务器
scp fastgpt-custom.tar user@your-server:/opt/fastgpt/
# 在服务器上加载镜像
docker load -i /opt/fastgpt/fastgpt-custom.tar

第三步，修改服务器上的Compose文件。 将fastgpt服务的image字段从官方镜像地址改为你自定义的镜像名：

fastgpt:
  container_name: fastgpt-prod
  image: mycompany/fastgpt:custom-v1 # 改为你的自定义镜像
  # ... 其他配置保持不变

然后重新启动服务：

docker-compose -f docker-compose-prod.yml down
docker-compose -f docker-compose-prod.yml up -d

这样，服务器上运行的就是你定制化后的FastGPT应用了。

6. 避坑指南与进阶优化

走完上面的流程，一个完整的FastGPT应用应该已经跑在你的服务器上了。但根据我的经验，上线后总会遇到一些“惊喜”。这里分享几个常见的坑和对应的解决办法，以及一些让服务更稳健的优化思路。

坑1：MongoDB连接失败，提示“not authorized”或副本集问题。 这是最高频的问题。首先，检查连接字符串里的用户名、密码、数据库名(fastgpt)和认证源(authSource=admin)是否正确。其次，确保连接字符串包含了directConnection=true参数（对于Docker网络外或单节点副本集连接）。最后，可以进入MongoDB容器内部检查副本集状态：

docker exec -it mongo-prod mongosh -u prod_username -p prod_strong_password --authenticationDatabase admin
> rs.status()

如果状态不对，可以尝试重新初始化副本集。

坑2：OneAPI添加渠道后测试失败。 首先在OneAPI容器内测试网络连通性：

docker exec -it oneapi-prod curl https://api.openai.com

如果超时，说明服务器可能无法直接访问OpenAI，需要在OneAPI添加渠道时配置正确的代理地址。如果curl通但测试失败，检查API Key是否正确，以及是否有额度。

坑3：上传文件或处理大量数据时，服务内存飙升甚至崩溃。 FastGPT处理文件（特别是PDF解析）和向量生成比较耗资源。除了在config.prod.json中调低vectorMaxProcess和qaMaxProcess外，更根本的解决方法是限制容器的资源。在docker-compose-prod.yml中为fastgpt服务添加资源限制：

fastgpt:
  # ... 其他配置
  deploy:
    resources:
      limits:
        memory: 4G # 限制最大内存
        cpus: '2.0' # 限制最多使用2个CPU核心
      reservations:
        memory: 2G # 保证至少2G内存

这样可以防止单个容器吃光服务器内存。

进阶优化1：使用Nginx反向代理和SSL证书。 直接暴露3000和3001端口不优雅也不安全。建议在服务器上安装Nginx，配置反向代理和HTTPS。

# /etc/nginx/conf.d/fastgpt.conf
server {
    listen 80;
    server_name your-domain.com;
    return 301 https://$server_name$request_uri;
}

server {
    listen 443 ssl http2;
    server_name your-domain.com;

    ssl_certificate /path/to/your/fullchain.pem;
    ssl_certificate_key /path/to/your/privkey.pem;
    # ... 其他SSL优化配置

    location / {
        proxy_pass http://localhost:3000; # 代理到FastGPT
        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;
    }

    location /oneapi/ {
        proxy_pass http://localhost:3001/; # 代理到OneAPI，注意尾随斜杠
        proxy_set_header Host $host;
        # ... 其他头信息
    }
}

配置好后，用户通过https://your-domain.com访问FastGPT，通过https://your-domain.com/oneapi访问OneAPI管理后台，安全又规范。

进阶优化2：配置日志收集与监控。 生产环境不能没有监控。可以为每个服务配置JSON格式的日志，方便用ELK或Loki收集。同时，使用docker-compose logs --tail=100 -f可以实时跟踪日志。对于更重要的监控，可以暴露容器的健康检查端点（如果应用提供），或者使用Prometheus和Grafana来监控服务器和容器的资源使用情况。

最后的小建议：所有容器的重启策略我推荐使用restart: unless-stopped，这样容器会在异常退出时自动重启（除非你手动停止它），能提高服务的自愈能力。数据库的持久化卷一定要确保路径正确且有备份策略。环境变量中的密码、密钥等敏感信息，可以考虑使用Docker Secrets（在Swarm模式下）或通过文件注入的方式管理，而不是明文写在Compose文件里。

Logo
https://edu.csdn.net/learn/39067/627173?utm_source=2019755004

汇聚全球AI编程工具，助力开发者即刻编程。

更多推荐

cover

四天蒸发近2000亿，宇树科技股价近乎“腰斩”；苹果举办库克告别派对：9月1日正式卸任CEO；Anthropic两款新Claude模型曝光 | 极客头条

avatar AI编程社区
cover

Claude Code反超GitHub Copilot登顶第一、90%程序员已用上Agent，最新AI编码调查报告来了

avatar AI编程社区
cover

如何用好 Claude Code 写后端代码

avatar AI编程社区