AI 智能体开发提效：Docker 与 Docker Compose 常用命令指南
一、引言
在人工智能（AI）智能体的研发过程中，环境的一致性、依赖管理的复杂性以及部署的便捷性往往是阻碍开发效率的关键因素。随着云原生技术的普及，Docker 已成为构建可复现、隔离且高效开发环境的行业标准工具。
本文旨在系统梳理 Docker 及 Docker Compose 的核心命令集，并结合 AI 智能体开发的实际场景（如模型训练、推理服务、多组件协作），提供具体的使用示例和最佳实践。通过掌握这些命令，开发者可以快速搭建本地实验环境，实现一键部署，从而专注于核心算法逻辑而非基础设施配置。
二、Docker 核心命令详解
1. 镜像管理 (Image Management)
在 AI 开发中，我们通常基于官方提供的深度学习框架镜像（如 PyTorch、TensorFlow）进行二次开发。
- pull: 从仓库拉取镜像。
- 场景：获取最新的 PyTorch GPU 版本镜像。
- 命令：
docker pull pytorch/pytorch:2.0.1-cuda11.7-cudnn8-runtime
- images: 列出本地所有镜像。
- 场景：检查已下载的模型或基础环境镜像。
- 命令：
docker images
- build: 根据 Dockerfile 构建新镜像。
- 场景：将自定义的 Python 依赖和环境配置打包成镜像。
- 命令：
docker build -t my-ai-agent:v1 .
- tag: 为镜像打标签。
- 场景：将构建好的镜像标记为特定版本号以便推送。
- 命令：
docker tag my-image:latest registry.example.com/my-ai-agent:v1
- push: 推送镜像至私有或公共仓库。
- 场景：将训练好的环境镜像分享给团队其他成员。
- 命令：
docker push registry.example.com/my-ai-agent:v1
- rmi: 删除本地不再使用的镜像以释放空间。
- 场景：清理过时的实验镜像。
- 命令：
docker rmi <image_id>
2. 容器生命周期管理 (Container Lifecycle)
AI 任务通常涉及长时间运行的进程（如训练）或短期交互（如调试）。
- run: 创建并启动一个新的容器。
- 场景：启动一个包含 Jupyter Notebook 的开发环境。
- 命令：
docker run -it --rm -p 8888:8888 -v $(pwd):/workspace jupyter/scipy-notebook - 参数说明：
-it: 交互式终端。--rm: 容器停止后自动删除，保持环境整洁。-p: 端口映射，将宿主机的 8888 端口映射到容器内。-v: 挂载卷，将宿主机当前目录映射到容器内的/workspace，确保代码持久化。
- ps: 列出容器状态。
- 场景：查看正在运行的训练任务或推理服务。
- 命令：
docker ps -a(显示所有，包括已退出的)
