Week 12：部署 + 复盘

🎯 本周目标：把你的 Agent 应用从"能在本地跑"变成"能让别人访问"。然后做项目复盘。

1. 部署选项

💡 推荐先做 本地 Docker + Railway，两个都很简单。

2. 本地 Docker 化

为什么 Docker？

• 一键打包，环境一致性（你的机器能跑，别人的也能）
• 方便后续部署到任何支持 Docker 的云平台
• TS 对照：相当于 docker build = 给你的 Node 项目写 Dockerfile

Dockerfile

# ===== 基础镜像 =====
FROM python:3.11-slim AS builder

# 工作目录
WORKDIR /app

# 系统依赖（chromadb 等可能需要）
RUN apt-get update && apt-get install -y --no-install-recommends \
    build-essential \
    && rm -rf /var/lib/apt/lists/*

# ===== 安装 Python 依赖 =====
# 先复制依赖文件，利用 Docker 缓存层
COPY pyproject.toml README.md ./
RUN pip install --no-cache-dir -U pip && \
    pip install --no-cache-dir fastapi uvicorn && \
    pip install --no-cache-dir pydantic pydantic-settings && \
    # 安装 LangGraph / LangChain 相关
    pip install --no-cache-dir langgraph langchain langchain-core langchain-openai langchain-community && \
    pip install --no-cache-dir langchain-chroma langchain-huggingface sentence-transformers langgraph-checkpoint-sqlite && \
    pip install --no-cache-dir httpx python-dotenv && \
    pip install --no-cache-dir langchain-text-splitters

# ===== 复制应用代码 =====
COPY app/ ./app/
COPY data/ ./data/

# ===== 启动命令 =====
# 用 uvicorn 启动，host 0.0.0.0 让容器外能访问
EXPOSE 8000
CMD ["uvicorn", "app.main:app", "--host", "0.0.0.0", "--port", "8000"]

docker-compose.yml（可选，推荐）

version: "3.8"

services:
  trading-ai:
    build: .
    container_name: electric-trading-ai
    ports:
      - "8000:8000"
    env_file:
      - .env
    volumes:
      - ./data:/app/data          # 数据持久化
      - ./chroma_db:/app/chroma_db
    restart: unless-stopped

构建和运行

# 方式一：docker-compose（推荐）
docker-compose up --build

# 方式二：纯 docker
docker build -t electric-trading-ai .
docker run -p 8000:8000 --env-file .env -v ${PWD}/data:/app/data electric-trading-ai

验证

打开浏览器 → http://localhost:8000/docs

能看到 Swagger UI 就说明 Docker 跑通了！

3. 云部署（Railway 示例）

Railway 提供免费额度，支持直接连 GitHub 仓库自动部署。

步骤

1. 把代码推到 GitHub（记得把 .env 加进 .gitignore）
2. 去 railway.app 用 GitHub 登录
3. 点 "New Project" → "Deploy from GitHub repo"
4. 选你的仓库，Railway 会自动检测是 Python 项目
5. 在 "Variables" 里配置你的 .env 内容（LLM_API_KEY 等）
6. Deploy → 等 1-2 分钟 → 拿到 https://xxx.up.railway.app 的域名
7. 访问 https://xxx.up.railway.app/docs 验证

Railway 会自动帮你做什么？

• 检测到 pyproject.toml → 用 Python 构建
• 自动暴露端口（默认 8000）
• 自动设置 PORT 环境变量
• 自动分配 HTTPS 域名
• 代码 push 到 GitHub 后自动重新部署

💡 TS 对照：Railway 之于 Python/FastAPI，就像 Vercel 之于 Next.js/Node.js。

4. 安全注意事项

.gitignore 必须包含

# Python
__pycache__/
*.pyc
*.pyo
.venv/

# 环境变量
.env
.env.local

# 数据（ChromaDB、SQLite）
chroma_db/
data/*.db
data/*.sqlite

# Node.js（VuePress 学习文档）
docs/node_modules/
docs/.vuepress/dist/

# 系统
.DS_Store
Thumbs.db

# IDE
.vscode/
.idea/

5. 项目复盘

你完成了什么

踩过的坑（你自己的 Lessons Learned）

回头想想这三个月遇到的 bug，把它们写进项目的 README.md 或单独的 LEARNINGS.md：

• 什么问题卡了你最久？
• 是怎么排查出来的？
• 如果重来一遍你会怎么做？

后续可以优化的方向（长期）

6. 三个月学完的你

你现在能做什么？

• ✅ 独立搭建一个有 LLM + 工具 + RAG + 记忆的 AI Agent 应用
• ✅ 用 LangGraph 编排 Agent 的行为流
• ✅ 给项目接入真实的 API 和数据
• ✅ 把 Agent 应用部署到云服务
• ✅ 理解 Agent 的评估和优化方向

市场上这个水平值多少钱？

初级 AI Agent 工程师的市场薪资区间在 20k-40k（国内）/ 80k-150k（美元/年，海外）。你的 TypeScript 背景让你比纯后端更有优势——你能独立完成从前端 UI 到后端 Agent 的全栈开发。

下一步怎么走？

🎉 恭喜你完成三个月的学习！ 记得回头看看你三个月前的代码，再看看现在——差距就是你的成长。