YuLan-OneSim 项目 Docker 容器化部署指南
2025-07-05 20:12:45作者:吴年前Myrtle
项目概述
YuLan-OneSim 是一个集成了前端界面、后端服务和命令行工具的统一仿真平台。本文将从技术角度详细解析其 Docker 容器化部署方案,帮助开发者理解其架构设计和实现原理。
容器架构设计
YuLan-OneSim 采用多阶段构建的 Docker 镜像方案,主要包含两个构建阶段:
- 前端构建阶段:基于 Node.js 18 的轻量级镜像
- 主服务阶段:基于 Python 3.10 的完整运行环境
这种设计既保证了构建环境的完整性,又确保了最终镜像的精简性。
详细构建过程解析
前端构建阶段
FROM node:18-slim AS frontend-builder
WORKDIR /frontend
COPY src/frontend/package*.json ./
RUN npm install
COPY src/frontend/ ./
RUN npm run build
这一阶段完成了:
- 前端依赖安装(
npm install) - 前端项目构建(
npm run build) - 生成静态文件存储在
/frontend/dist目录
主服务阶段
主服务阶段基于 Python 3.10 构建,包含以下关键配置:
环境变量设置
ENV PYTHONDONTWRITEBYTECODE=1 \
PYTHONUNBUFFERED=1 \
PYTHONPATH=/app/src \
DEBIAN_FRONTEND=noninteractive
这些环境变量优化了 Python 运行环境,确保日志输出实时可见,并设置了正确的模块导入路径。
系统依赖安装
RUN apt-get update && apt-get install -y \
nginx \
process-manager \
curl \
procps \
build-essential
安装了必要的系统组件:
- Nginx:作为 Web 服务器
- 进程管理工具
- 其他工具:curl(健康检查)、procps(进程管理)、build-essential(Python 包编译)
Python 依赖安装
COPY setup.py README.md ./
COPY src/ ./src/
RUN pip install --no-cache-dir --upgrade pip && \
pip install --no-cache-dir -e .
采用可编辑模式安装(-e),便于开发调试。
前端部署
COPY --from=frontend-builder /frontend/dist /var/www/html
将前端构建产物复制到 Nginx 的默认静态文件目录。
服务配置
COPY config/ ./config/
COPY docker/nginx.conf /etc/nginx/nginx.conf
COPY docker/process-manager.conf /etc/process-manager/conf.d/process-manager.conf
复制了项目配置文件、Nginx 配置和进程管理配置,实现服务的统一管理。
启动脚本
COPY docker/start.sh /start.sh
RUN chmod +x /start.sh
自定义启动脚本,通过进程管理工具管理所有服务进程。
健康检查机制
HEALTHCHECK --interval=30s --timeout=10s --start-period=30s --retries=3 \
CMD curl -f http://localhost/health || exit 1
容器内置了健康检查机制,定期访问 /health 端点验证服务可用性。
部署实践建议
-
端口映射:容器暴露 80 端口,运行时需映射到宿主机端口
docker run -p 8080:80 yulan-onesim -
数据持久化:建议将日志目录挂载到宿主机
docker run -v ./logs:/app/logs yulan-onesim -
配置覆盖:可通过挂载方式覆盖默认配置
docker run -v ./custom_config:/app/config yulan-onesim
技术亮点总结
- 多阶段构建:有效减小最终镜像体积
- 进程管理:使用进程管理工具管理多进程服务
- 健康监控:内置健康检查机制确保服务可用性
- 开发友好:可编辑模式安装便于调试
- 一体化部署:前端+后端+CLI 全功能集成
通过这种容器化方案,YuLan-OneSim 实现了"一次构建,随处运行"的部署目标,大大降低了环境配置的复杂度。
登录后查看全文
热门项目推荐
AutoGLM-Phone-9BAutoGLM-Phone-9B是基于AutoGLM构建的移动智能助手框架,依托多模态感知理解手机屏幕并执行自动化操作。Jinja00
Kimi-K2-ThinkingKimi K2 Thinking 是最新、性能最强的开源思维模型。从 Kimi K2 开始,我们将其打造为能够逐步推理并动态调用工具的思维智能体。通过显著提升多步推理深度,并在 200–300 次连续调用中保持稳定的工具使用能力,它在 Humanity's Last Exam (HLE)、BrowseComp 等基准测试中树立了新的技术标杆。同时,K2 Thinking 是原生 INT4 量化模型,具备 256k 上下文窗口,实现了推理延迟和 GPU 内存占用的无损降低。Python00
GLM-4.6V-FP8GLM-4.6V-FP8是GLM-V系列开源模型,支持128K上下文窗口,融合原生多模态函数调用能力,实现从视觉感知到执行的闭环。具备文档理解、图文生成、前端重构等功能,适用于云集群与本地部署,在同类参数规模中视觉理解性能领先。Jinja00
HunyuanOCRHunyuanOCR 是基于混元原生多模态架构打造的领先端到端 OCR 专家级视觉语言模型。它采用仅 10 亿参数的轻量化设计,在业界多项基准测试中取得了当前最佳性能。该模型不仅精通复杂多语言文档解析,还在文本检测与识别、开放域信息抽取、视频字幕提取及图片翻译等实际应用场景中表现卓越。00
GLM-ASR-Nano-2512GLM-ASR-Nano-2512 是一款稳健的开源语音识别模型,参数规模为 15 亿。该模型专为应对真实场景的复杂性而设计,在保持紧凑体量的同时,多项基准测试表现优于 OpenAI Whisper V3。Python00
GLM-TTSGLM-TTS 是一款基于大语言模型的高质量文本转语音(TTS)合成系统,支持零样本语音克隆和流式推理。该系统采用两阶段架构,结合了用于语音 token 生成的大语言模型(LLM)和用于波形合成的流匹配(Flow Matching)模型。 通过引入多奖励强化学习框架,GLM-TTS 显著提升了合成语音的表现力,相比传统 TTS 系统实现了更自然的情感控制。Python00
Spark-Formalizer-X1-7BSpark-Formalizer 是由科大讯飞团队开发的专用大型语言模型,专注于数学自动形式化任务。该模型擅长将自然语言数学问题转化为精确的 Lean4 形式化语句,在形式化语句生成方面达到了业界领先水平。Python00
项目优选
收起
deepin linux kernel
C
24
9
OpenHarmony documentation | OpenHarmony开发者文档
Dockerfile
407
3.14 K
Ascend Extension for PyTorch
Python
226
252
暂无简介
Dart
673
160
本项目是CANN提供的数学类基础计算算子库,实现网络在NPU上加速计算。
C++
664
319
🎉 (RuoYi)官方仓库 基于SpringBoot,Spring Security,JWT,Vue3 & Vite、Element Plus 的前后端分离权限管理系统
Vue
1.21 K
658
React Native鸿蒙化仓库
JavaScript
262
326
Nop Platform 2.0是基于可逆计算理论实现的采用面向语言编程范式的新一代低代码开发平台,包含基于全新原理从零开始研发的GraphQL引擎、ORM引擎、工作流引擎、报表引擎、规则引擎、批处理引引擎等完整设计。nop-entropy是它的后端部分,采用java语言实现,可选择集成Spring框架或者Quarkus框架。中小企业可以免费商用
Java
9
1
openGauss kernel ~ openGauss is an open source relational database management system
C++
160
220
仓颉编译器源码及 cjdb 调试工具。
C++
135
868