用 Python 虚拟环境加 Docker，给 AI 小项目搭一个干净可复现的开发环境

做 AI 小项目时，最让人头疼的往往不是模型本身，而是环境：上周还能跑的代码，换台电脑就报错；两个项目要同一个库的不同版本，互相打架。办法是先把环境隔离开，再把隔离后的环境写下来，让它在任何地方都能一键复现。

一、用 venv 给每个项目一个独立房间

Python 自带的 venv 不用额外安装。进入项目目录，先执行 python -m venv .venv 创建环境，再激活它：Windows 用 .venv\Scripts\activate，Linux 或 macOS 用 source .venv/bin/activate。命令行前面出现 (.venv) 就表示成功了，这时用 pip 装的包只进这个项目，不会污染系统 Python。

依赖装好后立刻执行 pip freeze > requirements.txt，把版本号锁死。新电脑上只要建好虚拟环境，再执行 pip install -r requirements.txt，就能得到同一套依赖。记得把 .venv 写进 .gitignore，不要提交到代码仓库。

二、用 Docker 把环境打包带走

venv 解决了一台电脑上的隔离，换电脑、换系统还可能出问题，Docker 就是下一步。它把代码、依赖和运行环境打进一个镜像，在哪里运行都一样。

给小项目写 Dockerfile，可以从 python:3.12-slim 这样的官方镜像开始：设置工作目录，复制 requirements.txt 进去安装依赖，再复制代码，最后写好启动命令，例如 CMD ["python", "app.py"]。构建用 docker build -t ai-demo:1.0 .，运行用 docker run --rm -p 8000:8000 ai-demo:1.0，本机打开 http://localhost:8000 就能看到服务。调试时用 -v 把本地代码目录挂载进容器，改代码不用重新构建。

三、两者怎么配合

本地写代码、快速试错时用 venv，启动快、改起来方便；要交付、演示或部署时用 Docker，环境完整、可复现。我的做法是：先在 venv 里把依赖跑通，确认 requirements.txt 没有多余的包，再写 Dockerfile，两边用同一份依赖清单。

再加两个细节：写一个 .dockerignore，把 .venv、__pycache__ 和数据集排除在构建之外，既加快构建，也避免把不该进镜像的东西打进去；基础镜像要带具体版本号，不要用 latest，否则下次构建可能悄悄换了版本。

四、让 AI 工具帮忙，但别让它替你决定

写 Dockerfile、排查依赖冲突这类重复劳动，可以交给 AI 编程助手：让它根据 requirements.txt 生成草稿，解释 pip 报错的原因。但要守住三条线：每一行命令都要自己看懂再执行；不要把真实的 API Key 或密码贴进聊天框，也不要写进 Dockerfile 和代码，密钥用环境变量传；生成好的配置要在干净环境里实际跑一次，能跑通才算数。

五、新手最容易踩的坑

一是把系统 Python 当项目环境用，装着装着就分不清包属于谁；二是不锁版本号，隔一个月重装就变了样；三是镜像里塞了数据集和缓存，越建越大；四是图省事把密钥写进镜像，镜像一分享就等于交出了钥匙。

新建项目时按这个顺序走一遍：建 venv、锁依赖、写 Dockerfile、加 .dockerignore、密钥走环境变量，最后在干净环境里重建并运行一次。环境上省下来的时间，才是真正留给模型和产品的时间。