零基础搭建AI部署自动化流水线完整指南

搭建前的环境准备

要跑通AI部署自动化流水线，第一步得准备一台服务器和基础工具。
建议选择Ubuntu 22.04或CentOS 7+的系统，内存至少4GB，硬盘预留20GB以上。
下面列几个必须装的东西：

• Docker & Docker Compose：用来打包AI模型和运行环境。安装命令：

  curl -fsSL https://get.docker.com -o get-docker.sh
  sudo sh get-docker.sh
  sudo apt install docker-compose -y   # Ubuntu

• Git：拉取代码。sudo apt install git -y
• Python 3.8+：如果模型依赖Python环境。推荐用Anaconda管理虚拟环境。
• GitLab Runner（或其他CI工具）：这里以GitLab CI/CD为例，先注册Runner：

  sudo gitlab-runner register
  # 输入GitLab地址、token、executor选docker

编写流水线配置文件：.gitlab-ci.yml

在项目根目录创建.gitlab-ci.yml，定义几个阶段（stage）。
下面是一个典型示例，包含构建、测试、部署三步：

stages:
  - build
  - test
  - deploy

build-job:
  stage: build
  script:
    - docker build -t my-ai-model:$CI_COMMIT_SHORT_SHA .
  only:
    - main

test-job:
  stage: test
  script:
    - docker run my-ai-model:$CI_COMMIT_SHORT_SHA pytest tests/
  only:
    - main

deploy-job:
  stage: deploy
  script:
    - docker tag my-ai-model:$CI_COMMIT_SHORT_SHA registry.example.com/my-ai-model:latest
    - docker push registry.example.com/my-ai-model:latest
    - ssh user@prod-server "cd /app && docker-compose pull && docker-compose up -d"
  only:
    - main

关键说明：

1. 每个job用only: - main限定只在主分支触发。
2. docker build需要项目里有一个Dockerfile，把模型文件和依赖都打包进去。
3. 测试阶段跑单元测试或模型验证脚本。
4. 部署阶段先把镜像推送到私有仓库，再通过SSH远程登录生产服务器拉取重启。

必须注意的坑

• Docker镜像体积：AI模型文件往往很大（几百MB甚至GB），建议用.dockerignore排除无用的数据文件，或用多阶段构建减少体积。
• Runner内存不足：如果构建或测试时内存不够，可以在Runner配置里增加limit参数，或者在docker executor里设置memory limit。
• SSH密钥权限：流水线里执行ssh命令需要提前把公钥配到目标服务器，并且把私钥存为GitLab CI变量（Settings → CI/CD → Variables）。
• 模型依赖冲突：Python包版本不一致会导致部署后模型报错。建议在Dockerfile里用requirements.txt锁定版本。

验证流水线是否跑通

提交代码到main分支后，进入GitLab项目页面点击CI/CD → Pipelines，就能看到三个job依次执行。
每个job点进去可以看实时日志：

• 如果build-job通过，日志末尾会显示Successfully built。
• test-job通过后，日志里会有passed字样。
• deploy-job执行完，可以用浏览器请求生产服务器的API端口，确认模型返回结果正确。

高频问题解答

Q：流水线一直卡在“pending”状态
A：检查Runner是否在线。在GitLab Runner管理页面看Runner的绿点是否亮起。如果离线，重启Runner sudo gitlab-runner restart。

Q：docker build时提示“no space left on device”
A：清理无用的镜像和容器：docker system prune -a，或者给服务器加硬盘。

Q：部署后模型接口报502
A：大概率是容器没启动成功。SSH到生产服务器执行docker logs <容器名>查看错误信息，常见原因如端口冲突或环境变量缺失。

总结

AI部署自动化流水线并不神秘，核心就是把模型训练、测试、打包、发布这四个环节用CI脚本串起来。
本文以GitLab CI为例，但思路同样适用于Jenkins、GitHub Actions。
先按上面的步骤跑通一次，再根据自己的实际环境（模型框架、部署方式）微调配置。
遇到问题优先看日志，多数坑都可以通过Docker隔离和变量配置解决。
如果你还想了解如何用Kubernetes做更大规模的AI模型部署，可以继续阅读站内相关文章。