用 Docker 把 Python AI 小工具装进盒子：一次构建，到处运行

用 Docker 把 Python AI 小工具装进盒子：一次构建，到处运行
很多 AI 小工具最初都是一个 Python 脚本：读一段文本，调用模型接口，输出摘要。本地跑没问题，换台机器就遇到 Python 版本、依赖冲突、环境变量丢失。Docker 的价值就在这儿：把脚本和运行环境一起打包，让“能跑”变成可复现的“到处能跑”。

下面用一个极简文本摘要工具演示。它通过环境变量读取 API Key 和接口地址，用 requests 调兼容 OpenAI 的接口。先看项目结构：

text
summarizer/
├── Dockerfile
├── requirements.txt
└── app .py
requirements.txt 只放必要依赖：

text
requests==2.32.3
app .py 核心逻辑如下，省略异常细节：

python
import os, sys, requests

api_key = os.environ[“AI_API_KEY”]
base_url = os.environ[“AI_BASE_URL”]
text = sys.stdin.read().strip()

resp = requests.post(
f"{base_url}/chat/completions",
headers={“Authorization”: f"Bearer {api_key}"},
json={
“model”: os.getenv(“AI_MODEL”, “gpt-4o-mini”),
“messages”: [
{“role”: “system”, “content”: “用三句话总结用户输入。”},
{“role”: “user”, “content”: text},
],
},
timeout=60,
)
resp.raise_for_status()
print(resp.json()[“choices”][0][“message”][“content”])
关键点是：密钥和接口地址不写进代码，也不写进镜像，运行时通过 -e 注入。接着写 Dockerfile：

dockerfile
FROM python:3.12-slim

WORKDIR /app
COPY requirements.txt .
RUN pip install --no-cache-dir -r requirements.txt

COPY app .py .
ENTRYPOINT [“python”, “app. py”]
构建和运行：

bash
docker build -t summarizer:0.1 .
echo “Docker 是一种轻量级容器技术……” |
docker run --rm -i
-e AI_API_KEY=“$AI_API_KEY" \ -e AI_BASE_URL="$AI_BASE_URL”
summarizer:0.1
这里 -i 让容器接收标准输入，–rm 跑完自动删除容器。若你用的是宿主机上的本地模型服务，Linux 下不能直接写 localhost，因为容器里的 localhost 是容器自己。可以加：

bash
–add-host=host.docker.internal:host-gateway
-e AI_BASE_URL=“$LOCAL_AI_BASE_URL”
其中 LOCAL_AI_BASE_URL 由你在宿主机上设为本地模型服务的兼容接口地址。

第一个常见坑是镜像越建越大。开发阶段频繁改代码时，把依赖安装放在 COPY app .py 之前，能充分利用层缓存；生产镜像尽量用 slim 基础镜像，并加 .dockerignore 排除 .git、pycache、测试数据。第二个坑是密钥泄漏：不要用 ENV AI_API_KEY=… 写进 Dockerfile，因为镜像层可被查看；用运行时环境变量或 Docker secret。第三个坑是输出缓冲：容器里 Python 的 stdout 可能延迟，调试时可设 PYTHONUNBUFFERED=1。

这套模式可以复用到很多 AI 工具：换掉 app .py，就能封装 OCR、向量化、批量翻译或本地 RAG 脚本。Docker 不负责让模型更聪明，但它能让你少花时间在“为什么这台机器又跑不起来”上。先让工具可复现，再谈优化，是入门阶段最划算的一步。