OpenMAIC本地部署：一键生成多智能体AI课堂完整教程

清华开源OpenMAIC可把主题、PPT、PDF和音视频转成包含AI教师、AI同学、测验、互动模拟和PBL的课堂。本文提供v1.0.0完整本地部署与安全教程。

摘要： OpenMAIC（Open Multi-Agent Interactive Classroom）是清华大学 MAIC 团队开源的多智能体互动课堂平台，可把一个主题或文档转换成包含课件、测验、互动模拟、项目制学习活动、AI教师和AI同学的课堂。清华大学2026年9月13日披露的数据显示，自3月开源至8月底，平台已汇聚超过58万名创作者，累计生成超过100万门AI课程，全球AI交互次数突破3400万次，覆盖154个国家和地区。本文以官方 v1.0.0 主线仓库为准，提供 Node.js 与 Docker 两种本地部署方法、模型与语音配置、课程生成流程、持久化方案、故障排查、安全边界，以及教育、企业培训和环保业务培训的落地模板。建议先在个人电脑或内网测试环境部署，确认模型成本、材料版权和数据策略后再面向多人开放。

核心结论

OpenMAIC 值得教育工作者、企业培训团队和 AI Agent 开发者试用，尤其适合把已有 PPT、PDF、音视频或一个培训主题快速变成可互动课堂。最稳妥的起步方式是先使用 Node.js 本地开发模式验证模型与课程质量，再用 Docker Compose 部署固定版本；公开服务前必须补齐真实用户认证、持久化隔离、API Key保护和内容审核。

它不是普通PPT生成器：OpenMAIC通过多智能体编排生成幻灯片、测验、交互式HTML、项目制学习内容，并让AI教师和AI同学参与讲解与讨论。
官方主线已进入v1.0.0阶段：2026年8月27日发布Agent工作台、可恢复会话、会话材料、课程工具和20个内置Skills。
本地部署门槛明确：官方要求 Node.js ≥22.19、pnpm ≥10；Docker可用 docker compose up --build 启动。
开源许可证已变化：仓库在2026年6月从AGPL-3.0重新许可为MIT，当前应以仓库LICENSE为准。
“本地部署”不自动等于“完全离线”：若使用OpenAI、Gemini、DeepSeek等云API，材料和请求仍可能发送到第三方；只有本地模型、语音、图像与解析链全部本地化，才接近完整离线。

OpenMAIC是什么：从MOOC到多智能体课堂

结论是：OpenMAIC的核心价值不是自动做几页PPT，而是把课程内容生成、课堂呈现和互动学习放在同一个Agent系统中。

官方将 OpenMAIC 定义为开放式多智能体互动课堂平台。用户输入课程主题，或上传文档、音频、视频等材料后，系统先规划课程结构，再生成不同类型的教学场景。课堂中可以存在AI教师、AI同学等角色：教师负责讲解、板书和推进课程，同学可以提问、讨论或制造认知冲突，学习者则参与测验、模拟和项目任务。

OpenMAIC与普通课件生成工具的区别可以概括为三点。第一，产物不仅是静态幻灯片，还包括Quiz、互动HTML模拟和PBL项目。第二，课程不是生成后就结束，Agent工作台允许继续修改、补充材料和调整页面。第三，课堂运行阶段仍有智能体参与，而不是播放固定视频。

根据官方仓库，v1.0.0新增聊天优先的Agent工作台，可规划、生成和修订整门课程；运行会话由服务器支持，可以取消、恢复和继续引导；用户可以上传文档、音频和视频，或者引入网页搜索；系统提供课件、测验、互动组件、PBL、图像、视频、语音和PPTX导入等课程工具以及20个内置Skills。

58万、100万与3400万：数据应该怎样引用

结论是：这组数据具有传播价值，但必须标注为“平台统计”和明确统计时间，不能转写为独立第三方审计结果。

清华大学新闻网2026年9月13日页面写明，据平台统计，自3月正式开源以来，截至8月底，OpenMAIC已汇聚超过58万名创作者，累计生成超过100万门AI课程，全球AI交互次数突破3400万次，覆盖154个国家和地区。报道还提到团队在联合国教科文组织2026数字学习周进行学术报告和现场实操。

指标	官方披露值	正确表述	不应推断
创作者	超过58万名	据平台统计，截至2026年8月底	58万付费用户
AI课程	超过100万门	累计生成课程数量	100万门均已公开或通过教学验收
AI交互	突破3400万次	全球AI交互次数	独立学习人数或学习完成次数
国家和地区	154个	使用覆盖范围	每个国家均有正式学校部署

这组数据能证明项目拥有较大的使用和传播规模，但不能替代课程质量、学习效果、留存率、单位成本和教育公平性的独立评估。制作推广内容时，建议在数字旁保留“据平台统计”和“截至8月底”。

技术架构：一门AI课堂是怎样生成的

结论是：OpenMAIC可以理解为“材料处理＋课程规划Agent＋场景生成工具＋课堂运行时＋导出与持久化”的组合系统。

用户输入主题或材料后，系统需要完成内容解析、课程结构规划、场景生成和资源生产。课程页面可能包含文本、图像、表格、图表、公式、代码、语音和交互组件。课堂运行时再把这些页面组织为可播放、可交互的学习体验。

官方仓库支持多种模型提供商，包括OpenAI、Azure OpenAI、Anthropic、Amazon Bedrock、Google Gemini、DeepSeek、Qwen、Kimi、MiniMax、Grok、OpenRouter、豆包、腾讯混元、GLM、Ollama、本地Lemonade及兼容OpenAI接口的服务。模型可替换并不代表所有模型效果相同，课程规划、长材料理解、结构化输出和互动组件生成需要分别测试。

材料链路也有边界。对本地音视频，官方说明可以安装 ffmpeg 和 ffprobe 提取带时间戳的转写与关键帧，再连接FunASR、Lemonade或其他ASR。如果本地工具不可用，系统可以走已配置的云解析路径；两条路径都不可用时，材料会标记失败并显示可操作提示，而不是静默生成空转写。

材料解析、课程规划Agent和场景工具共同生成Slides、Quiz、互动模拟与PBL。

部署前准备：硬件、软件和账号

结论是：基础Web应用对GPU没有硬性要求，但模型、图像、语音和视频是否本地运行，会决定实际硬件需求。

官方最低软件条件

Git，用于克隆和更新仓库；
Node.js 22.19或更高版本；
pnpm 10或更高版本；
至少一个可用的大模型提供商，或已运行的本地兼容模型；
Docker与Docker Compose，仅Docker方案需要；
ffmpeg与ffprobe，仅本地音视频提取需要。

普通CPU服务器可以运行OpenMAIC Web应用并调用云模型。若同时在本机运行大语言模型、图像生成、TTS与ASR，则需要根据模型规模配置GPU显存、内存和磁盘。官方仓库没有给出一个适用于所有本地模型组合的统一最低GPU规格，因此不能承诺“任意电脑一键全离线”。

API Key准备

至少配置一种LLM。不要把真实Key写入教程、Git仓库、Dockerfile或前端变量。统一放在服务器端 .env.local 或受控Secrets系统中，并限制账单额度、来源IP和可用模型。

方法一：Node.js本地部署

结论是：Node.js方式最适合首次体验、功能调试和二次开发，步骤最透明，出现错误也容易定位。

第一步：检查版本

node --version
pnpm --version
git --version

Node版本必须达到22.19，pnpm必须达到10。若系统中存在多个Node版本，建议用版本管理工具切换，不要直接覆盖服务器上其他项目的运行环境。

第二步：克隆官方仓库

git clone https://github.com/THU-MAIC/OpenMAIC.git
cd OpenMAIC

用于生产时不要长期跟随浮动的 main 分支。先记录经过验证的Commit或Release，再创建自己的配置和升级流程，以便出现兼容问题时回退。

第三步：安装依赖

pnpm install

国内网络安装较慢时，可以在可信范围内配置镜像；不要把带用户名、密码或Token的私有镜像地址写入Docker构建参数，因为它可能进入镜像元数据或构建记录。

第四步：复制环境变量文件

cp .env.example .env.local

编辑 .env.local，只填写实际使用的提供商。以下仅为占位示例：

GOOGLE_API_KEY=YOUR_GOOGLE_API_KEY
DEFAULT_MODEL=google:gemini-3-flash-preview
ACCESS_CODE=YOUR_STRONG_ACCESS_CODE

官方README推荐Gemini 3 Flash作为质量与速度的平衡选择，并说明服务器API默认使用Gemini时可设置 DEFAULT_MODEL=google:gemini-3-flash-preview。模型ID会变化，部署时应再次核对仓库与提供商控制台。

也可以使用OpenAI兼容服务：

OPENAI_API_KEY=YOUR_API_KEY
OPENAI_BASE_URL=https://YOUR_OPENAI_COMPATIBLE_ENDPOINT/v1
DEFAULT_MODEL=openai:YOUR_MODEL_ID

环境变量名称应以当前 .env.example 为准，兼容服务的模型列表和额外配置需要根据仓库文档调整。

第五步：启动开发服务器

pnpm dev

浏览器打开 http://localhost:3000。如果部署在远程服务器上，不要直接把开发端口暴露到公网；可用SSH端口转发测试，或在生产构建后通过HTTPS反向代理访问。

第六步：生产构建

pnpm build
pnpm start

生产构建前要完成课程生成、上传、导出、重启恢复和错误提示测试。pnpm start并不自动提供TLS、进程守护、监控、备份和用户系统，这些仍需要Nginx/Caddy、systemd或容器平台补齐。

方法二：Docker Compose一键部署

结论是：Docker Compose更适合固定依赖并迁移到服务器，但“一条命令启动”不等于生产配置已经安全。

安装Git、Docker Engine和Docker Compose插件。
克隆仓库并进入目录。
复制 .env.example 为 .env.local。
写入至少一个模型提供商Key，并设置访问码。
执行构建与启动命令。

git clone https://github.com/THU-MAIC/OpenMAIC.git
cd OpenMAIC
cp .env.example .env.local
docker compose up --build

后台运行可使用：

docker compose up --build -d
docker compose ps
docker compose logs -f

国内网络构建较慢时，官方支持可选的Alpine和npm镜像参数：

ALPINE_MIRROR=mirrors.tuna.tsinghua.edu.cn \
NPM_REGISTRY=https://registry.npmmirror.com \
docker compose up --build

这两个参数不会加速Docker Hub镜像拉取，也不能替代Docker Daemon镜像配置。参数中不要放认证凭据。

如果你使用1Panel服务器，可在终端完成上述命令，再用反向代理把子域名转发到OpenMAIC端口。SSL证书、WebSocket/流式响应、上传大小、超时和访问控制需要在反向代理中单独设置。可参考 AI Stack Nav本地部署教程统一配置Docker、域名和HTTPS。

配置本地模型、语音与材料解析

结论是：只把Web界面部署到本机仍会调用云端；要实现数据尽量不出内网，必须逐项本地化LLM、ASR、TTS、图像和文档解析。

使用Ollama或兼容端点

OpenMAIC官方列出的提供商包括Ollama以及任何OpenAI兼容API。启动本地模型服务后，将Base URL与模型ID配置到OpenMAIC。不同版本的具体变量可能调整，应以 .env.example 和管理界面显示为准。

使用Lemonade本地能力

官方README给出的本地Lemonade示例如下，可同时为LLM、TTS、ASR与图像提供OpenAI兼容端点：

LEMONADE_BASE_URL=http://localhost:13305/v1
TTS_LEMONADE_BASE_URL=http://localhost:13305/v1
ASR_LEMONADE_BASE_URL=http://localhost:13305/v1
IMAGE_LEMONADE_BASE_URL=http://localhost:13305/v1

如果OpenMAIC运行在Docker中，localhost指容器本身，不是宿主机。需要使用同一Compose网络中的服务名，或按操作系统配置宿主机网关地址。

配置FunASR

官方示例支持SenseVoiceSmall、Paraformer和Fun-ASR-Nano。CPU模式可用于功能验证，长音视频和多人并发需要评估速度。

python -m pip install torch torchaudio
python -m pip install "funasr==1.4.0" fastapi uvicorn python-multipart
funasr-server --device cpu --model sensevoice

然后配置：

ASR_FUNASR_BASE_URL=http://localhost:8000/v1

第三方Python依赖和模型文件应在隔离环境中安装，并在生产前进行许可证与供应链扫描。

安装ffmpeg

确保下面两个命令都能执行：

ffmpeg -version
ffprobe -version

缺少它们时，OpenMAIC仍可启动，但本地音视频提取会跳过。材料失败时先查看服务日志和页面提示，不要不断重复上传导致磁盘和API账单增加。

生成第一门多智能体AI课堂

结论是：第一门课应选资料明确、范围小、答案可核验的主题，用它建立课程质量基线，而不是直接上传数百页材料。

打开OpenMAIC主页，创建新课程或进入Agent工作台。
输入教学对象、时长、学习目标、先修知识和产物要求。
上传经过授权的PDF、PPTX、音频或视频；不要上传包含个人隐私和未授权教材的材料。
先审查课程大纲，删除偏题章节并调整顺序。
生成场景，重点检查事实、公式、图片、测验答案与互动组件代码。
运行课堂，体验AI教师讲解、AI同学讨论、白板和Quiz。
在Agent工作台要求局部修改，不要每次整门课重做。
导出可编辑PPTX或HTML，在离线环境验证资源是否完整。
保存本次模型、参数、耗时、Token与人工修改记录。

可复制的提示词示例：

请创建一门30分钟的《企业AI Agent安全入门》互动课程。
对象：具备基础IT知识的业务部门员工。
学习目标：理解Agent、工具权限、Prompt Injection和人工审批。
结构：5个章节，每章1个核心概念；包含2次选择题、1个风险判断互动、1个小组讨论。
要求：所有安全结论以我上传的公司制度为准；资料未覆盖的内容明确标注“需管理员确认”；不要自动生成公司不存在的流程。

环保业务培训实战：把巡查制度变成互动课堂

结论是：OpenMAIC很适合把环保巡查制度、检查表和典型案例转换成情景化培训，但执法依据、处罚标准和企业隐私必须由人工审核。

例如制作《乡镇生态环境巡查问题上报培训》，可以上传已脱敏的巡查制度、问题分类表、拍照规范和整改流程。课程大纲可分为现场识别、证据采集、问题上报、整改复查和安全注意事项。互动场景让学习者判断“照片是否满足定位和全景要求”“问题应归入哪一类”“何时需要升级报告”。

推荐产物包括：

10—15页可编辑PPT；
AI教师口播与白板示意；
5道分类判断题；
1个模拟上报表单；
1个整改闭环PBL任务；
课程HTML离线包；
人工审核记录与版本号。

不要直接上传包含人员身份证号、企业商业秘密、未公开监测数据或精确敏感位置的原始材料。案例应脱敏，法律法规和标准引用必须核对有效状态，最终培训课件由业务负责人签字确认。

材料脱敏、规划、生成、人工审核、课堂运行、导出和持续更新组成完整流程。

PostgreSQL持久化：多人部署前必须理解的限制

结论是：官方提供PostgreSQL参考方案，但README明确警告开发Token不能提供真正的多用户隔离，公网生产环境不能照抄。

官方 server-persistence Profile运行两个容器：OpenMAIC应用和PostgreSQL，持久化HTTP服务嵌入应用的 /api/persistence。参考启动方式为：

NEXT_PUBLIC_PERSISTENCE=1 \
NEXT_PUBLIC_PERSISTENCE_TOKEN=YOUR_DEV_TOKEN \
docker compose --profile server-persistence up --build

.env.local 中还需配置数据库连接和对应服务端Token。这里不能忽略官方的重要说明：NEXT_PUBLIC_ Token会编译进浏览器JavaScript，所有访问者都能看到，不能提供机密性或用户隔离。官方将其定位为localhost或可信网络的单用户开发用途。

因此，多人正式部署前必须把开发认证替换为真实会话验证，由服务端身份推导学习者分区，并重新设计文档、合并与管理权限。还应增加数据库备份、恢复演练、对象存储权限、课程Owner、租户隔离和删除流程。

ACCESS_CODE能保护到什么程度

结论是：ACCESS_CODE适合阻挡未授权访问和简单扫描，但不能代替企业SSO、账号权限和审计。

配置示例：

ACCESS_CODE=YOUR_RANDOM_LONG_ACCESS_CODE

设置后，访问者会看到密码提示，API路由也受到保护。但多人共享同一个访问码仍无法区分是谁创建、查看或删除课程；访问码泄露后也无法只撤销某一个人。企业使用时应接入OIDC/SSO，并实现课程级Owner、角色和审计日志。

成本怎样计算

结论是：OpenMAIC代码本身为MIT开源，但课程生成成本取决于模型、图片、语音、视频、搜索、解析、存储与人工审核，官方没有给出对所有配置都适用的固定单课价格。

可用以下公式估算：

单课成本 = LLM输入成本 + LLM输出成本 + 图片生成成本
         + TTS/ASR成本 + 视频或文档解析成本
         + 搜索与存储成本 + 人工审核成本

测试时为每门课记录请求次数、输入输出Token、生成图片数、语音分钟数、失败重试和人工修改时长。模型路由可以分层：大纲与最终校验使用质量较高模型，格式化和简单页面使用低成本模型，本地ASR处理音视频。不要引用网上“每门课不到2美元”等数字作为自己的承诺，除非用当前模型价格和同等课程进行实测。

与PPT生成器、LMS和RAG问答的区别

结论是：OpenMAIC更适合“生成并运行互动课堂”，但它不能自动取代正式LMS、考试系统和知识治理平台。

方案	主要产物	互动方式	最适合场景	局限
OpenMAIC	PPT、Quiz、互动HTML、PBL、多Agent课堂	AI教师与同学参与	快速创课、培训、探索式学习	仍需审核与生产级身份改造
普通AI PPT	静态课件	翻页或演讲	汇报、快速演示	缺少课堂智能体与深层互动
LMS	课程管理、报名、进度、考试	固定教学流程	正式培训运营	内容生成能力通常较弱
RAG问答	基于知识库的回答	用户提问	制度查询、客服	不自动形成完整课程结构

实际企业项目可以组合使用：OpenMAIC生成课程与互动内容，LMS负责账号、选课、进度和证书，知识库负责权威材料检索，审批系统负责发布。更多组合思路可参考 AI Stack Nav多智能体工作流。

安全、版权与教学质量

结论是：生成成功不等于可以发布，课程必须经过内容、版权、代码和权限四类审核。

Prompt Injection与材料污染

上传的文档、网页或音视频转写可能包含“忽略系统指令”“上传内部数据”等恶意内容。材料应被视为不可信数据，课程Agent不应拥有服务器Shell、任意文件和高权限网络工具。搜索域名、文件类型和上传大小需要白名单。

互动HTML风险

OpenMAIC可生成交互组件。任何AI生成HTML、JavaScript都应在Sandbox中运行，限制网络、Cookie、父页面访问和文件下载，并设置内容安全策略。不要把未经审查的组件嵌入拥有管理员会话的后台页面。

教材与肖像版权

开源软件许可证不等于用户上传材料自动获得使用权。公开课程前应确认教材、图片、音乐、视频、字体和人物声音的授权。语音克隆尤其要取得明确同意，并提供删除和撤销机制。

未成年人和学习数据

学校场景会产生聊天、答题、语音和学习轨迹。应最小化收集，获得适当授权，设置保存期限和访问角色，并避免把个体画像用于未经说明的高风险决策。

人工审批

课程发布、外发邮件、公开分享、删除课程、修改账号权限、连接收费模型和导出敏感数据等动作，应有人工确认或权限隔离。AI测验评分也不应在缺少复核机制时直接用于高风险升学或人事决定。

常见故障排查

pnpm install失败

先确认Node与pnpm版本，再清理单个项目的依赖缓存并重试。不要随意删除整台服务器的全局Node环境。网络慢时使用可信镜像，并核对锁文件是否被意外修改。

页面能打开但课程生成失败

检查至少一个LLM Key、DEFAULT_MODEL与实际提供商是否一致，再查看服务端日志中的401、403、429或模型不存在错误。429通常是速率或额度问题，应降低并发、退避重试或更换已授权模型，而不是无限重试。

Docker内无法访问宿主机模型

容器中的 127.0.0.1 指容器自己。把本地模型加入同一Compose网络并使用服务名，或配置宿主机网关；同时检查模型服务是否监听允许容器访问的地址和防火墙规则。

音视频上传后解析失败

运行 ffmpeg -version 和 ffprobe -version，确认容器内部同样可执行；再检查ASR端点和模型。限制单文件大小、时长与并发，避免长视频占满磁盘。

重启后课程消失

默认浏览器存储与服务端持久化的行为不同。多人或长任务需要配置PostgreSQL参考栈，并理解迁移、用户分区与备份限制。不要把公开可见的开发Token当成生产认证。

PPTX或HTML导出不完整

检查字体、远程图片、公式、互动组件和浏览器渲染依赖。导出后在无登录状态或离线电脑打开验证，避免课程依赖仅在创建者浏览器中存在的资源。

事实依据与来源

本文以清华大学新闻页和THU-MAIC官方GitHub仓库为主要依据，并明确区分事实、平台数据与实施建议。

官方已确认事实： OpenMAIC由清华大学MAIC团队研发并开源；平台可把主题或文档转为多智能体互动课堂；支持幻灯片、测验、互动模拟和PBL等场景。
官方仓库信息： v1.0.0于2026年8月27日发布；要求Node.js ≥22.19、pnpm ≥10；支持Node.js、Docker Compose、Vercel及多种模型提供商；当前许可证为MIT。
平台统计数据： 截至2026年8月底，超过58万名创作者、超过100万门AI课程、超过3400万次AI交互、覆盖154个国家和地区。该组数据由清华新闻引述平台统计，并非本文独立审计。
第三方测试： 本文未引用第三方课程质量、成本或学习效果Benchmark，也没有把网络传播的固定单课成本当成官方承诺。
编辑判断： OpenMAIC适合教育、企业和环保培训，是根据功能与场景作出的选题判断，不代表清华大学对具体业务的背书。
实施建议： 硬件建议、模型路由、SSO、权限、课程审核、环保培训模板与成本公式属于工程建议。
待实际验证： 不同模型的生成质量、本地硬件并发、单课成本、复杂PPT导入还原度和多人运行稳定性，需要在目标环境实测。

FAQ

OpenMAIC是清华大学官方开源项目吗？

是。清华大学新闻页明确称其为清华大学教育学院MAIC团队自主研发的AI教育智能体项目，代码由THU-MAIC组织公开维护。部署时应认准 github.com/THU-MAIC/OpenMAIC 仓库。

OpenMAIC完全免费吗？

代码当前采用MIT许可证，可免费使用和修改；但模型API、图像、语音、视频解析、服务器、域名和存储可能产生费用。商业使用仍需遵守MIT许可证及所用模型、素材和第三方服务条款。

网上为什么有教程说它是AGPL-3.0？

这是版本变化造成的。官方仓库Changelog显示，项目在2026年6月的v0.3.0阶段从AGPL-3.0重新许可为MIT。应以当前仓库LICENSE和准备部署的具体Commit为准。

OpenMAIC必须有GPU吗？

Web应用本身和调用云模型不要求本机GPU。只有在本机运行LLM、图像生成、ASR或TTS时，才需要按模型规模配置GPU。CPU可以用于部分ASR或小模型测试，但速度需要实测。

支持哪些模型？

官方仓库列出OpenAI、Azure OpenAI、Anthropic、Bedrock、Gemini、DeepSeek、Qwen、Kimi、MiniMax、Grok、OpenRouter、豆包、混元、GLM、Ollama、Lemonade及OpenAI兼容接口。具体模型ID随版本和服务商变化。

能否完全离线部署？

理论上可以用本地LLM、Lemonade、本地FunASR、ffmpeg和本地资源减少外部依赖，但完整离线效果取决于所选模型、图像、TTS、搜索和解析能力。只本地运行Web界面但使用云API不属于完全离线。

可以上传PPT、PDF和视频吗？

v1.0.0支持会话材料，官方仓库说明包括文档、音频和视频，并支持PPTX导入。音视频本地提取需要ffmpeg/ffprobe及ASR服务；复杂文档的解析质量需逐份验证。

能导出可编辑PPT吗？

官方功能列表包含可编辑 .pptx 导出和互动HTML导出。导出后仍应检查字体、公式、图片、动画和互动组件，因为浏览器课堂与PowerPoint支持的能力并不完全相同。

ACCESS_CODE适合公网多人使用吗？

只适合简单访问保护，不足以承担正式多人身份与权限管理。公网或企业部署应接入SSO/OIDC，按用户和课程隔离数据，记录审计日志，并限制管理操作。

如何升级而不丢失课程？

固定当前Commit或Release，升级前备份PostgreSQL、课程文件和配置，在测试环境运行迁移与导出验证，再切换生产。不要在生产目录直接追随 main 并执行不可回退的更新。

参考来源

安装部署教程

环境配置与 Docker 工作流

适合阅读安装部署、本地配置、服务器搭建和自动化流程类文章后继续转化。

环境配置资料包 包含 Windows / Mac / Linux 常见环境配置、依赖安装和报错排查清单。 查看资料包 Docker 工作流包 整理 Docker 部署模板、compose 示例和常用服务编排流程。 查看资料包