【机器学习】新网络环境docker实战：AI智能体平台DIFY部署与升级

本文主要是介绍【机器学习】新网络环境docker实战：AI智能体平台DIFY部署与升级，希望对大家解决编程问题提供一定的参考价值，需要的开发者们随着小编来一起学习吧！

目录

一、引言

二、Dify在dockerhub被禁用后，如何部署、升级

2.1 网络及硬件条件

2.2 docker部署、升级方案

三、总结

---

一、引言

关于dify，之前力推过，大家可以跳转 AI智能体研发之路-工程篇（二）：Dify智能体开发平台一键部署了解，今天主要以dify为例，分享一下当dockerhub镜像库被禁之后，如何部署和使用dockerhub上的image镜像。

二、Dify在网络环境不稳定的条件下，如何部署、升级

2.1 网络及硬件条件

• mac笔记本：网络稳定，arm64架构
• 服务器：网络不稳定，amd64架构

处理器架构可以通过uname -m查看

2.2 docker部署、升级方案

原方案（dockerhub未被禁用，直接通过docker compose拉取）： 

#首次部署：
git clone https://github.com/langgenius/dify
cd docker
docker compose up -d#二次升级：
git checkout main
git pull origin main
cd docker
docker compose up -d

新方案（无法直接从dockerhub拉取，先拉取到笔记本，再上传至服务器）：

1、克隆项目、获取image名称和版本号

#首次部署
git clone https://github.com/langgenius/dify.git
cd docker 
#查看docker-compose.yaml中的image名称和版本号
awk '/^ *image:/ {print $2}' docker-compose.yaml | uniq

2、针对每一个image，通过--platform指定linux/amd64/v4架构，pull拉取（务必指定与服务器匹配的架构！！！否则会将旧版本的image的tag附值为None，手动回退很麻烦！！！）

 awk '/^ *image:/ {print $2}' docker-compose.yaml | uniq | xargs  -n 1 docker pull  --platform  linux/amd64/v4

3、查看是否拉取成功

#查看是否拉取成功
docker images

4、将所有镜像打包至amd64-dify-images-0.6.10.tar

awk '/^ *image:/ {print $2}' docker-compose.yaml | uniq | xargs  docker save -o amd64-dify-images-0.6.10.tar

5、上传至服务器，可以使用scp、rsync等

6、在服务器上将amd64-dify-images-0.6.10.tar内的所有镜像load到image库中，并查看运行情况

docker load -I amd64-dify-images-0.6.10.tardocker images

7、采用docker compose up -d启动

docker compose up -d

三、总结

当dockerhub被禁后，产生最大的影响就是服务器无法拉取项目image镜像，本文先在网络条件允许的mac笔记本上下载image，再将image镜像传至服务器应用。

最核心的问题还是linux服务器没办法科学上网。尝试过export https_proxy、http_proxy、all_proxy的方式，将笔记本作为代理服务器，没有生效。有什么linux下科学上网的方式，希望可以私信分享给我，求求了。 

如果您还有时间，可以看看我的其他文章：

《AI—工程篇》

AI智能体研发之路-工程篇（一）：Docker助力AI智能体开发提效

AI智能体研发之路-工程篇（二）：Dify智能体开发平台一键部署

AI智能体研发之路-工程篇（三）：大模型推理服务框架Ollama一键部署

AI智能体研发之路-工程篇（四）：大模型推理服务框架Xinference一键部署

AI智能体研发之路-工程篇（五）：大模型推理服务框架LocalAI一键部署

《AI—模型篇》

AI智能体研发之路-模型篇（一）：大模型训练框架LLaMA-Factory在国内网络环境下的安装、部署及使用

AI智能体研发之路-模型篇（二）：DeepSeek-V2-Chat 训练与推理实战

AI智能体研发之路-模型篇（三）：中文大模型开、闭源之争

AI智能体研发之路-模型篇（四）：一文入门pytorch开发

AI智能体研发之路-模型篇（五）：pytorch vs tensorflow框架DNN网络结构源码级对比

AI智能体研发之路-模型篇（六）：【机器学习】基于tensorflow实现你的第一个DNN网络

AI智能体研发之路-模型篇（七）：【机器学习】基于YOLOv10实现你的第一个视觉AI大模型

AI智能体研发之路-模型篇（八）：【机器学习】Qwen1.5-14B-Chat大模型训练与推理实战

AI智能体研发之路-模型篇（九）：【机器学习】GLM4-9B-Chat大模型/GLM-4V-9B多模态大模型概述、原理及推理实战

AI智能体研发之路-模型篇（十）：【机器学习】Qwen2大模型原理、训练及推理部署实战

《AI—Transformers应用》

【AI大模型】Transformers大模型库（一）：Tokenizer

【AI大模型】Transformers大模型库（二）：AutoModelForCausalLM

【AI大模型】Transformers大模型库（三）：特殊标记（special tokens）

【AI大模型】Transformers大模型库（四）：AutoTokenizer

【AI大模型】Transformers大模型库（五）：AutoModel、Model Head及查看模型结构

【AI大模型】Transformers大模型库（六）：torch.cuda.OutOfMemoryError: CUDA out of memory解决

【AI大模型】Transformers大模型库（七）：单机多卡推理之device_map

【AI大模型】Transformers大模型库（八）：大模型微调之LoraConfig

这篇关于【机器学习】新网络环境docker实战：AI智能体平台DIFY部署与升级的文章就介绍到这儿，希望我们推荐的文章对编程师们有所帮助！

---