从零开始：用 Docker 和 Python 跑起你的第一个 AI 小工具

刚接触 AI 开发，最容易卡住的不是算法，而是环境：本地 Python 版本不对、依赖装不上、换台电脑又要重来一遍。这时候，把 Docker、Linux 命令和 Python 结合起来用，恰恰是最省事的入门路线。

先理解一个核心比喻：镜像是菜谱，容器是按菜谱做出来的一道菜。你不需要在自己的电脑上折腾各种依赖，只要拉取一个现成的 Python 镜像，就能在隔离的环境里运行代码，删了也不影响主机。

动手之前，先熟悉三条 Linux 命令：pwd 看当前目录，ls 看文件，cd 切换目录。它们看起来简单，却是你进出容器、排查问题的基本功。

接下来写一个最小的 Python 程序。比如用 requests 调用一个 AI 对话接口，把提示词发过去，再把返回打印出来。先在本地用 python app.py 跑通，确认逻辑没问题，再考虑打包。这一步别急着上复杂框架，能跑通就是胜利。

选 AI 工具时，先看文档和调用成本，不必追最新模型。对入门者来说，一个稳定、便宜、能返回结构化结果的接口，比参数最大的模型更实用。把提示词、温度这些参数写成配置，调起来也更方便。

然后写 Dockerfile，只有几步：FROM python:3.12-slim 作为底座，WORKDIR 设定工作目录，COPY 把代码拷进去，RUN pip install 安装依赖，最后 CMD 启动程序。接着用 docker build -t my-ai-app . 构建镜像，再用 docker run --rm my-ai-app 运行。看到同样的输出，就说明你的程序已经可以在任何装了 Docker 的机器上复现了。

新手最常见的三个坑：一是把密钥写进镜像，正确做法是用环境变量传进来；二是每次改一行代码就重装所有依赖，可以把 requirements.txt 单独先 COPY，利用缓存加速；三是容器退出后数据丢失，重要结果要及时写到挂载的目录或外部存储。

学会这一套，你就打通了从写代码到交付的最小闭环。之后无论是换模型、加一个网页界面，还是部署到服务器，思路都是一样的：先让它在本地跑通，再用容器把它装起来。