Docker Compose 一键拉起 TaskingAI LLM Agent BaaS 全栈服务

方案简介

Docker Compose 一键拉起 TaskingAI LLM Agent BaaS 全栈服务。Docker Compose 编排后端容器化服务，FastAPI 提供异步高并发 API，Python SDK 给客户端调用 RESTful 接口。

亮点与能力

根据 README 列出的能力，本方案能提供：

• 统一接入多模型：通过统一 API 访问 OpenAI、Anthropic 等上百种 LLM，也支持 Ollama、LM Studio、Local AI 等本地模型。
• 模块化解耦管理：Tools、RAG 系统、语言模型与 Agent 解耦，可自由组合构建 Agent。
• 多租户支持：开发完成后可直接用于多租户场景，无需自管云服务。
• BaaS 风格工作流：AI 逻辑（服务端）与产品开发（客户端）分离，从控制台原型到 RESTful API + SDK 规模化路径清晰。
• 一键部署到生产：单点击部署 AI Agent 并弹性扩缩。
• 异步高效：基于 Python FastAPI 异步特性，提升并发性能与响应能力。
• 可视化控制台：内置 UI Console 简化项目管理并支持在控制台内测试 workflow。

组成与分工

• Docker：作为容器运行时，承载 TaskingAI 自托管社区版的全部后端服务。
• Docker Compose：编排多容器启动链路，通过 -p taskingai 统一管理项目命名空间。
• TaskingAI 后端服务（FastAPI）：提供异步 RESTful API，承载模型调用、Tools、RAG、Assistant 等核心能力。
• TaskingAI Console：浏览器端 UI 界面，用于项目管理与工作流调试，默认监听 8080 端口。
• Python SDK（PyPI 包 taskingai）：客户端 SDK，封装 RESTful API 调用，便于在 Python 工程中集成。
• .env 配置文件：通过 .env.example 复制生成，集中管理服务所需环境变量。
• Git：用于克隆仓库与拉取升级版本。

前置要求

在开始部署前，请确保本机已具备：

• Docker 与 Docker Compose 已安装
• Git（用于克隆仓库）
• Python 3.8 及以上环境（用于运行客户端 SDK）

实施步骤

1. 克隆仓库

先从 GitHub 上拉取 TaskingAI 社区版仓库：

git clone https://github.com/taskingai/taskingai.git
cd taskingai

2. 进入 docker 目录

进入仓库内的 docker 子目录：

cd docker

3. 复制并编辑环境变量文件

将示例配置复制为实际配置文件：

cp .env.example .env

打开 .env 文件，根据需要修改配置，确保所有必需的环境变量都已正确设置。

4. 启动 Docker Compose

执行以下命令在后台拉起全部服务：

docker-compose -p taskingai --env-file .env up -d

5. 访问控制台

服务启动后，通过浏览器访问 http://localhost:8080，使用默认账号 admin / TaskingAI321 登录控制台。

使用与配置要点

部署成功后，可通过以下方式使用与验证：

• 访问控制台：浏览器打开 http://localhost:8080，默认账号 admin / TaskingAI321。
• 管理模型、Tools、RAG、Assistant：在 UI Console 中统一管理模块化组件，参考 README 所述 Tools、RAG 系统与 Assistant 的解耦管理方式。
• 调用统一 API：通过 RESTful API 接入 OpenAI、Anthropic 等模型，或接入 Ollama、LM Studio、Local AI 等本地模型。
• 客户端 SDK：通过 PyPI 安装 taskingai 包后，在 Python 项目中以 SDK 方式调用后端能力。
• 升级版本：在 docker 目录下执行 git pull origin master 拉取新版，再依次执行 down、pull、up -d 完成升级：

git pull origin master

cd docker
docker-compose -p taskingai down
docker-compose -p taskingai pull
docker-compose -p taskingai --env-file .env up -d

升级过程会自动迁移数据到最新 schema，无需担心数据丢失。

注意事项与常见问题

• 数据迁移：升级到新版本时，README 明确说明数据会自动迁移到最新版本 schema。
• 模块解耦：与 LangChain 等框架的“Statelessness”痛点不同，TaskingAI 把 Tools、RAG、模型与会话状态解耦以支持多租户。
• 模型锁定规避：相比 OpenAI Assistant API 仅限 OpenAI 模型，TaskingAI 通过统一 API 同时支持多家厂商与本地模型。
• BaaS 定位：README 强调 AI 逻辑（服务端）与产品开发（客户端）分离，Console 用于原型阶段，正式上线通过 RESTful API + Client SDK 提供给多租户应用。

优缺点

• ✓ 一键启动全栈 BaaS 服务
• ✓ 异步架构支持高并发
• ✕ 需自备 Docker 与 Python

出处

本方案挖掘自开源项目 TaskingAI/TaskingAI，方案内容与实施命令均来自其 README 原文。