應用程式架構總覽
本範例應用程式包含兩個容器（微服務）：web 和 store。web 容器執行一個 Python Flask 應用程式，顯示包含圖片、文字和計數器的網頁。每次重新整理頁面，計數器值就會遞增，並將數值儲存在 store 容器中的 Redis 資料函式庫中。
graph LR
subgraph Client
A[瀏覽器] --> B(Web 應用程式)
end
B --> C[Redis 資料函式庫]
subgraph Docker Host
subgraph Internal Network
D[web 容器] --> E[store 容器]
end
F[Port 5555] --> D
end
圖表說明: 客戶端瀏覽器透過 5555 連線埠存取執行在 Docker Host 上的 Web 應用程式（web 容器）。Web 應用程式透過內部網路與 Redis 資料函式庫（store 容器）進行通訊，以儲存和更新計數器值。
Compose 檔案剖析
Compose 檔案是定義多容器應用程式的核心，以下是一個名為 compose.yaml 的 Compose 檔案範例：
networks:
internal:
services:
web:
build: .
command: python app.py
ports:
- "5555:8080"
networks:
- internal
store:
image: redis:alpine
networks:
- internal
內容解密：
networks: 定義了一個名為internal的網路，供容器間通訊。services: 定義了應用程式中的服務（容器）。web: Web 應用程式容器。build: .: 指示 Docker 使用當前目錄下的 Dockerfile 建置映像檔。command: python app.py: 容器啟動時執行的命令。ports: - "5555:8080": 將主機的 5555 連線埠對映到容器的 8080 連線埠。networks: - internal: 將容器連線到internal網路。
store: Redis 資料函式庫容器。image: redis:alpine: 使用redis:alpine映像檔。networks: - internal: 將容器連線到internal網路。
佈署應用程式
首先，確保您已複製本章的 GitHub 儲存函式庫，並位於 gsd-book/compose-app 目錄下。
git clone https://github.com/nigelpoulton/gsd-book.git
cd gsd-book/compose-app
執行以下命令啟動應用程式：
docker compose up -d
-d 引數讓應用程式在背景執行。Compose 會自動建置 web 映像檔並啟動兩個容器。
管理應用程式
您可以使用以下命令管理應用程式：
docker compose ps: 顯示應用程式中各容器的狀態。docker compose logs: 檢視容器日誌。docker compose down: 停止並移除容器、網路和映像檔。
本文介紹瞭如何使用 Docker Compose 佈署和管理多容器應用程式。透過 Compose 檔案，您可以輕鬆定義和管理複雜的微服務架構，簡化佈署流程並提高開發效率。
延伸思考
- 探討不同型別的服務發現機制，例如 DNS-based 或 Key-value store based 的服務發現，並分析其優缺點和適用場景。
- 研究如何使用 Docker Compose 建立更複雜的應用程式，例如包含多個 Web 伺服器、負載平衡器和資料函式庫的架構。
- 思考如何將 CI/CD 流程整合到 Docker Compose 工作流程中，以實作自動化構建、測試和佈署。
graph LR
A[開發環境] --> B{Docker Compose Build}
B --> C[映像檔儲存函式庫]
C --> D{Docker Compose Deploy}
D --> E[生產環境]
圖表說明: 簡化的 CI/CD 流程，從開發環境構建映像檔，推播到儲存函式庫，最後佈署到生產環境。
在現代軟體開發中，多容器應用程式已成為主流，而 Docker Compose 正是簡化這類別應用程式佈署與管理的利器。本文將探討 Docker Compose 的核心功能，並透過實際案例示範如何建構、管理和更新多容器應用程式。
Docker Compose 簡介
Docker Compose 是一個用於定義和執行多容器 Docker 應用程式的工具。透過 YAML 檔案，我們可以定義應用程式所需的服務、網路和儲存空間，並使用單一指令即可完成佈署和管理。
建構多容器應用程式
讓我們以一個簡單的應用程式為例，它包含一個 Web 伺服器和一個 Redis 資料函式庫。以下 docker-compose.yaml 檔案定義了這個應用程式：
version: "3.9"
services:
web:
image: nigelpoulton/gsd-book:latest
ports:
- "5555:8080"
store:
image: redis:alpine
內容解密：
這個 docker-compose.yaml 檔案定義了兩個服務：web 和 store。web 服務使用 nigelpoulton/gsd-book:latest 映象，並將容器的 8080 埠對映到主機的 5555 埠。store 服務使用 redis:alpine 映象，提供 Redis 資料函式庫功能。
使用以下指令啟動應用程式：
docker compose up --detach
內容解密：
docker compose up 指令會根據 docker-compose.yaml 檔案的定義，建立並啟動應用程式中的所有服務。--detach 引數表示在後台執行容器。
管理應用程式
Docker Compose 提供了許多指令來管理應用程式，例如：
docker compose stop：停止應用程式docker compose start：啟動應用程式docker compose restart：重新啟動應用程式docker compose ps：檢視應用程式中容器的狀態docker compose logs：檢視應用程式的日誌
更新應用程式
更新應用程式非常簡單，只需修改 docker-compose.yaml 檔案，然後再次執行 docker compose up 指令即可。Docker Compose 會自動檢測變更，並只更新必要的服務。
例如，我們可以將 web 服務的映象更新到最新版本：
version: "3.9"
services:
web:
image: nigelpoulton/gsd-book:banner
ports:
- "5555:8080"
store:
image: redis:alpine
內容解密：
我們將 web 服務的映象更新為 nigelpoulton/gsd-book:banner。
執行以下指令更新應用程式：
docker compose up --pull always --detach
內容解密：
--pull always 引數會強制 Docker 提取最新版本的映象。
刪除應用程式
使用以下指令刪除應用程式：
docker compose down --rmi all
內容解密：
docker compose down 指令會停止並移除應用程式中的所有容器、網路和儲存空間。--rmi all 引數會移除所有相關的映象。
Docker 與 AI
Docker 也廣泛應用於 AI 領域。開發者可以使用 Docker 建構和佈署 AI 應用程式，例如聊天機器人。透過 Docker Compose，可以輕鬆地管理 AI 應用程式所需的各種服務和依賴項。
視覺化應用程式架構
以下使用 Mermaid 圖表展示應用程式的架構：
graph LR
web --> store
subgraph "應用程式"
web["Web 伺服器"]
store["Redis 資料函式庫"]
end
內容解密：
此圖表顯示了 Web 伺服器和 Redis 資料函式庫之間的關係。Web 伺服器連線到 Redis 資料函式庫以存取資料。
透過 Docker Compose，我們可以輕鬆地建構、管理和更新多容器應用程式，簡化了開發和佈署流程。其在 AI 領域的應用也越來越廣泛，為 AI 應用程式的開發和佈署提供了便利。
本文探討了 Docker Compose 的使用方法，從建構、管理到更新多容器應用程式，並以一個簡單的 Web 應用程式搭配 Redis 資料函式庫為例，逐步示範瞭如何使用 Docker Compose。同時，也簡要介紹了 Docker 在 AI 領域的應用，並使用 Mermaid 圖表視覺化了應用程式架構。希望本文能幫助讀者更好地理解和應用 Docker Compose，提升多容器應用程式的開發和佈署效率。
使用 Docker 佈署 AI 聊天機器人
設計分散式系統時，我發現容器化技術能大幅簡化佈署流程。這個案例中，我們將使用 Docker 佈署一個多層次 AI 聊天機器人應用程式。此應用程式包含三個主要元件：聊天介面、後端 API 和模型伺服器。
模型伺服器是 AI 模型執行的地方，這裡我們使用 Ollama 來執行 Mistral AI 模型。我從官方 Docker 儲存函式庫複製了應用程式碼，並進行了一些調整，以確保與本文中的說明和範例一致。
下圖展示了聊天機器人的架構：聊天介面作為 Web 服務執行在 3000 埠，並且執行在 8000 埠的後端 API 伺服器通訊。後端 API 伺服器將提示 relay 到位於 http://ollama:11434 的模型伺服器，並串流傳回回應。模型伺服器使用 Ollama 在 11434 埠上提供本地 AI 模型例項，並使用 Docker volume 儲存模型。預設情況下，模型伺服器執行 Mistral AI 模型，但您可以將其組態為執行其他 AI 模型，例如 Llama。圖中也顯示了三個應用程式元件的 Docker images。
graph LR
subgraph 聊天介面
A[Web 服務 (3000)]
end
subgraph 後端 API
B[API 伺服器 (8000)]
end
subgraph 模型伺服器
C[Ollama (11434)] --> D{模型}
end
A --> B
B --> C
應用程式定義在 GitHub repo 的 ai/chatbot/ 資料夾中的 Compose 檔案中。為了便於閱讀，我省略了一些 Compose 檔案設定。
services:
frontend:
image: nigelpoulton/gsd-book:chat-frontend
build: ./frontend
ports:
- "3000:3000"
command: npm run start
depends_on:
- backend
backend:
image: nigelpoulton/gsd-book:chat-backend
build: ./backend
ports:
- "8000:8000"
environment:
- MODEL_HOST=http://ollama:11434
depends_on:
ollama:
condition: service_healthy
ollama:
image: nigelpoulton/gsd-book:chat-model
build: ./ollama
ports:
- "11434:11434"
volumes:
- ollama_data:/root/.ollama
environment:
- MODEL=${MODEL:-mistral:latest}
volumes:
ollama_data:
name: ollama_data
這個檔案定義了三個服務和一個 volume。這些服務分別稱為 frontend、backend 和 ollama，對應於上圖中的三個應用程式元件。您還可以看見 ollama 服務中的 MODEL 環境變數，它指示模型伺服器提取並使用最新的 Mistral AI 模型。您可以更改此變數以強制模型伺服器使用 Ollama 模型函式庫中的各種模型。例如，您可以將變數更新為 llama3.2:latest 以使用最新的 Llama 3.2 模型而不是 Mistral。並非所有模型都相同，Ollama 模型函式庫中的某些模型可能無法與此應用程式一起使用。我已經測試過 Mistral 和 Llama，接下來的範例將使用 Mistral。
佈署和測試聊天機器人
首先，您需要複製這篇文章的 GitHub repo：
git clone https://github.com/nigelpoulton/gsd-book
切換到 gsd-book/ai/chatbot/ 目錄，檢查 Compose 檔案是否存在。 compose.yaml 檔案適用於不支援 GPU 的系統，而 gpu-compose.yaml 檔案則為模型伺服器啟用 GPU 支援。
如果您的 Docker 主機已啟用 GPU 支援，請執行以下指令以啟動聊天機器人：
docker compose --file gpu-compose.yaml up --detach
如果您沒有 GPU 或不確定，請執行以下指令：
docker compose up --detach
第一次佈署時，Docker 將提取容器映像，Ollama 將提取 AI 模型。AI 模型大小約為數 GB，下載可能需要一些時間。如果您網路連線速度較慢，甚至可能會出現 chatbot-ollama-1 is unhealthy 訊息而超時。如果發生這種情況，您可以嘗試重新啟動應用程式。如果再次出現相同的錯誤，您可以編輯 Compose 檔案並增加 ollama 服務的 healthcheck.start_period 欄位的值。如果您網路連線速度很快，則應該不會遇到超時問題。
檢查應用程式的狀態：
docker compose ls
如果所有三個服務在 STATUS 欄位中都顯示為 running，則聊天機器人已啟動並正在執行。
透過瀏覽器開啟 http://localhost:3000 並向聊天機器人提出一些簡單的問題，以確保應用程式正常運作。
當聊天機器人推斷您問題的答案時，您可能會看到「Thinking」訊息，而與它偶爾可能無法回應。如果您在 CPU 上執行聊天機器人或記憶體只有最低的 8GB，則更有可能發生這種情況。您可以透過編輯 Compose 檔案、更改 ollama.deploy.resources.limits.memory 欄位的值並重新啟動聊天機器人來增加模型伺服器的記憶體。您可能需要增加分配給 Docker 的記憶體量才能產生影響。例如，如果 Docker 只有 8GB 記憶體，那麼為模型伺服器容器分配 16GB 記憶體是沒有用的。
使用聊天機器人完成程式設計任務
在這個部分，您將與您的聊天機器人組隊完成一個簡單的程式設計任務。
我的目標是與我的聊天機器人一起建立一個 Web 伺服器，顯示文字「Docker is great for AI」。
以下是我向聊天機器人提出的確切問題：
Write a simple node.js web app that listens on port 5005, displays the text “Docker is great for AI” in white text in the center of a blue screen, and Dockerize it.
以下是我 AI 聊天機器人的回應，它包含三個不同的步驟。我已修剪回應以符合這篇文章，但您可以在 ai/app 資料夾中找到完整專案的副本。
我的聊天機器人的回應：
- 這裡有一個使用 Express.js 的簡單 Node.js Web 應用程式，用於顯示文字「Docker is great for AI」。
const express = require('express');
const app = express();
app.get('/', (req, res) => {
res.send(`<!DOCTYPE html>
<html lang="en">
<head>
<meta charset="UTF-8" />
<style>
body {
background-color: #0096FF;
color: white;
}
</style>
</head>
<body>
Docker is great for AI
</body>
</html>`);
});
app.listen(5005, () => {
console.log('App listening on port 505!');
});
內容解密：這段程式碼使用 Express.js 建立一個簡單的 Web 伺服器。它監聽 5005 埠，並在根路徑 / 回應一個 HTML 頁面。該頁面設定背景顏色為藍色，文字顏色為白色，並顯示「Docker is great for AI」訊息。
- 要 Docker 化應用程式，您需要在
app.js檔案所在的目錄中建立一個Dockerfile。以下是一個Dockerfile的範例：
FROM node:14-alpine
WORKDIR /app
COPY package*.json ./
RUN npm install
COPY . .
EXPOSE 5005
CMD [ "node", "app.js" ]
內容解密：這個 Dockerfile 使用 node:14-alpine 作為基礎映像。它將工作目錄設定為 /app，複製 package.json 和 package-lock.json 檔案，安裝依賴項，複製應用程式碼，公開 5005 埠，並設定啟動指令為 node app.js。
- 要建置 Docker image，請執行
docker build -t my-node-app:latest .。要從映像啟動容器，請執行docker run -p 5005:5005 --name my-node-app my-node-app。您可以透過在 Web 瀏覽器中導覽到http://localhost:5005來存取應用程式。
透過這個例子，我們展示瞭如何使用 Docker 佈署一個 AI 聊天機器人應用程式，並利用它來完成程式設計任務。這展現了容器化技術在簡化 AI 應用程式佈署方面的優勢。
使用 Docker Compose 佈署 AI 聊天機器人與程式碼實作
在這個技術中，我們將探討如何利用 Docker Compose 在本地端佈署一個三層式 AI 聊天機器人，並示範如何運用它完成簡單的程式碼專案，同時解決過程中可能遇到的問題。這個聊天機器人的模型伺服器使用 Ollama 執行 Mistral AI 模型，並設定為程式碼輔助工具。所有元件都封裝在標準 Docker 映像檔中，透過 Docker Compose 進行佈署和管理。
佈署 AI 聊天機器人
透過簡單的 docker compose 指令，即可在本地端佈署一個複雜的三層式 AI 聊天機器人。以下步驟說明佈署過程，以及如何檢查各個元件的狀態。
執行 Docker Compose: 使用
docker compose up -d命令啟動聊天機器人。如果使用 GPU 版本，則需執行docker compose -f gpu-compose.yaml up -d。檢查 Ollama 安裝： 登入模型伺服器容器
docker exec -it chatbot-ollama-1 sh，執行ollama --version檢查 Ollama 版本。檢查 Ollama 行程： 執行
ps -ef命令檢視ollama行程是否在背景執行。檢查 AI 模型： 使用
ollama ls命令檢視已下載的 AI 模型，例如 Mistral 和 Gemma2。檢查模型執行狀態： 使用
ollama ps命令檢視模型是否正在執行。如果模型未啟用，可以透過與聊天機器人的網頁介面互動來觸發模型載入。檢視模型設定： 使用
ollama show mistral命令檢視 Mistral 模型的設定，例如架構、引數數量、上下文長度等。
程式碼實作與問題排除
以下，我們將示範一個簡單的程式碼專案，並利用聊天機器人協助佈署和除錯。
建立應用程式檔案: 建立名為
app的資料夾，並在其中建立app.js檔案，將聊天機器人提供的程式碼複製到此檔案中。建立 Dockerfile: 在
app資料夾中建立Dockerfile檔案，並加入以下程式碼：
FROM node:latest
WORKDIR /app
COPY package*.json ./
RUN npm install
COPY . .
EXPOSE 5005
CMD ["node", "app.js"]
- 建立 package.json: 在
app資料夾中建立package.json檔案，並加入以下程式碼：
{
"dependencies": {
"express": "^4.21.1"
}
}
建置和執行 Docker 映像檔: 執行
docker build -t my-app .命令建置映像檔，然後執行docker run -p 5005:5005 my-app命令啟動容器。連線到應用程式: 開啟瀏覽器，存取
http://localhost:5005，確認應用程式是否正常運作。
系統架構
graph LR
A[Client Browser] --> B(Frontend Container)
B --> C(Backend Container)
C --> D(Model Server Container)
D --> E[Mistral AI Model]
內容解密： 此圖表展示了聊天機器人的系統架構，客戶端瀏覽器連線到前端容器，前端容器與後端容器通訊，後端容器再與模型伺服器容器互動，最後模型伺服器容器執行 Mistral AI 模型。
清理資源
完成後，可以使用以下命令停止並移除聊天機器人相關的容器、映像檔和儲存空間：
docker compose down
docker compose down --volumes --rmi all
同時，也應移除在程式碼實作過程中建立的容器和映像檔。
本示範瞭如何使用 Docker Compose 佈署 AI 聊天機器人，並運用其輔助程式碼開發和問題排除。同時，也強調了 Mermaid 圖表在技術檔案中的重要性，透過視覺化圖表更清晰地呈現系統架構和流程。
## 深入淺出容器世界：基礎概念與實戰操作
在現代軟體開發中，容器化技術已成為不可或缺的一環。Docker 作為容器化技術的長官者，提供了一套簡化應用程式封裝、佈署和管理的解決方案。本文將引領您進入 Docker 的世界，從基礎概念到進階佈署策略，逐步解鎖容器化的奧秘。
### 容器操作：啟動、停止、刪除
Docker Desktop 和 Ollama 提供了便捷的容器操作介面。以下是一些常用的容器操作指令：
```bash
# 檢查系統上的現有映像檔和容器
docker images
docker ps
# 建立一個名為 test 的新容器，根據 nigelpoulton/gsd-book 映像檔
docker run -d --name test -p 5555:8080 nigelpoulton/gsd-book
# 檢查容器是否正在執行
docker ps
# 停止容器
docker stop test
# 重新啟動容器
docker start test
# 刪除容器
docker rm test -f
內容解密：
以上指令示範瞭如何使用 Docker 命令列工具管理容器。docker run 命令用於建立並啟動一個新的容器，-d 引數表示在後台執行容器，-p 引數用於對映連線埠，--name 引數用於指定容器名稱。docker stop、docker start 和 docker rm 命令分別用於停止、啟動和刪除容器。
容器化應用程式：構建與佈署
將應用程式容器化可以簡化佈署流程並提高可移植性。以下是一個使用 Docker 構建和佈署 Node.js 應用程式的範例：
# 進入應用程式目錄
cd gsd-book/node-app
# 使用 docker init 初始化 Dockerfile
docker init
# 構建映像檔
docker build -t node-app .
# 執行程式碼為容器
docker run -d --name web -p 8080:8080 node-app
# 刪除容器
docker rm web -f
# 刪除映像檔
docker rmi node-app
內容解密：
docker init 命令會根據您的應用程式型別和組態自動生成 Dockerfile、.dockerignore 和 compose.yaml 檔案。docker build 命令根據 Dockerfile 構建映像檔，-t 引數用於指定映像檔名稱。docker run 命令用於建立並啟動容器，-p 引數用於對映連線埠，--name 引數用於指定容器名稱。
映像檔與倉函式庫：管理與分享
Docker 映像檔是容器的範本，而 Docker Hub 則是一個用於儲存和分享映像檔的雲端倉函式庫。以下是如何將映像檔推播到 Docker Hub 的範例：
# 標記映像檔
docker tag node-app nigelpoulton/gsd-book
# 推播映像檔到 Docker Hub
docker push nigelpoulton/gsd-book
內容解密：
docker tag 命令用於為映像檔增加標籤，以便推播到 Docker Hub。docker push 命令用於將映像檔推播到 Docker Hub。
多容器應用程式：使用 Compose 協調
Docker Compose 允許您使用 YAML 檔案定義和管理多容器應用程式。以下是一個使用 Docker Compose 啟動應用程式的範例：
# 進入 compose-app 目錄
cd gsd-book/compose-app
# 啟動 Compose 應用程式
docker compose up --detach
# 列出容器
docker compose ps
# 檢查網路
docker network ls
# 檢查應用程式狀態
docker compose ls
內容解密：
docker compose up 命令用於啟動在 compose.yaml 檔案中定義的多容器應用程式，-d 引數表示在後台執行。docker compose ps 命令用於列出正在執行的容器，docker network ls 命令用於列出網路，docker compose ls 命令用於列出 Compose 應用程式。
邁向進階：效能調校與最佳實務
容器化技術的應用不僅限於基礎操作，更需要深入理解其進階特性和最佳實務，才能充分發揮其效能和效率。
透過本文的實戰，您已掌握了 Docker 容器化的核心技術，從容器操作、映像檔管理到多容器應用程式佈署，為構建現代化應用程式奠定了堅實基礎。
視覺化容器化架構
以下使用 Mermaid 圖表展示一個典型的多容器應用程式架構：
graph LR
Web[Web Server] --> App[Application Server]
App --> DB[Database]
App --> Cache[Cache]
內容解密：
此圖表展示了一個簡單的三層架構，Web 伺服器接收使用者請求，應用程式伺服器處理業務邏輯，並且資料函式庫和快取進行互動。
sequenceDiagram
participant Client
participant Web
participant App
participant DB
Client->>Web: HTTP Request
Web->>App: Request
App->>DB: Query
DB-->>App: Response
App-->>Web: Response
Web-->>Client: HTTP Response
內容解密：
此圖表展示了客戶端、Web 伺服器、應用程式伺服器和資料函式庫之間的互動順序。
持續學習和實踐是掌握容器化技術的關鍵。探索更多進階主題，例如容器網路、儲存管理和安全最佳實務，將使您在容器化領域更加遊刃有餘。
調整 compose.yaml 檔案，進行以下變更：刪除 build: . 行，新增 image: nigelpoulton/gsd-book:banner 行。儲存變更後重新佈署應用程式。
networks:
internal:
services:
web:
image: nigelpoulton/gsd-book:banner
command: python app.py
# ... 其他設定 ...
執行以下指令重新佈署應用程式：
docker compose up --pull always --detach
瀏覽 http://localhost:5555/ 確認變更已生效。最後，刪除應用程式和所有相關映像檔：
docker compose down --rmi all
Docker 與 AI 的整合
切換到 ai/chatbot 目錄，確認 Compose 檔案存在：
ls -l
若 Docker 主機已啟用 GPU 支援，執行以下指令啟動 chatbot：
docker compose --file gpu-compose.yaml up --detach
若無 GPU 或不確定，執行以下指令：
docker compose up --detach
網路速度慢時，啟動 chatbot 可能需要較長時間，因為 Docker 需要下載容器映像檔，Ollama 需要下載 AI 模型。檢查應用程式狀態：
docker compose ls
若 STATUS 欄顯示三個正在執行的服務，則 chatbot 已啟動並正在執行。開啟瀏覽器至 http://localhost:3000，向 chatbot 提問以確認其正常運作。
以下指令檢查模型伺服器容器上的 Ollama 設定。開啟模型伺服器容器的 shell session：
docker exec -it chatbot-ollama-1 sh
檢查 Ollama 安裝：
ollama --version
檢查 AI 模型是否存在：
ollama ls
執行 ps 指令檢視 ollama 程式：
ps -ef
檢視是否有模型正在執行：
ollama ps
完成後，輸入 exit 登出容器並傳回 shell。停止 chatbot 並清除映像檔和磁碟區：
docker compose down --volumes --rmi all
常見術語解析
以下解析 Docker 和容器相關的常見術語：
- 容器 (Container): 一個隔離的作業系統環境，用於執行單一應用程式。對應用程式而言，容器看起來就像一個完整的作業系統。容器比虛擬機器更小、更快、更易於移植。
- Compose: 一個用於定義、佈署和管理多容器微服務應用程式的開放規範。Docker 實作了 Compose 規範，並提供
docker compose指令簡化 Compose 應用程式的操作。 - 容器化 (Containerize): 將應用程式及其所有依賴項封裝到容器映像檔的過程。
- Docker: 一個簡化容器化應用程式操作的平台。它允許構建映像檔，以及執行和管理獨立容器和多容器應用程式。
- Docker Desktop: 適用於 Linux、Mac 和 Windows 的桌面應用程式，簡化 Docker 的使用。它具有簡潔的使用者介面和許多進階功能，例如映像檔管理、漏洞掃描和 Wasm 支援。
- Docker Hub: 高效能與符合 OCI 規範的映像檔儲存函式庫。Docker Hub 擁有超過 57PB 的儲存空間，平均每秒處理 30,000 個請求。
- Docker, Inc.: 一家總公司位於美國的科技公司，致力於讓開發者更輕鬆地構建、釋出和執行容器化應用程式。Docker 平台的幕後公司。
- Dockerfile: 一個純文字檔案，包含指示 Docker 如何將應用程式及其依賴項封裝到映像檔的指令。
- 映像檔 (Image): 包含單一應用程式、所有依賴項以及啟動應用程式為容器所需的中繼資料的檔案。
- 微服務 (Microservices): 一種現代應用程式設計模式，其中所有應用程式功能都開發為各自的小型應用程式（微服務/容器），並透過 API 進行通訊。它們協同工作以形成一個完整的應用程式。
- 模型 (Model): 經過預先訓練的 AI 程式，可以接受提示並提供類別似人類的回應。
- Ollama: 一個開源的 AI 模型執行環境，允許下載 AI 模型並在本地執行，以確保所有互動保持私密性。
- 開放容器倡議 (Open Container Initiative, OCI): 一個輕量級的治理機構，負責建立和維護低階容器技術的標準，例如映像檔、執行環境和儲存函式庫。Docker 建立符合 OCI 規範的映像檔，實作符合 OCI 規範的執行環境，而 Docker Hub 是一個符合 OCI 規範的儲存函式庫。
- 推播 (Push): 上傳的同義詞。
docker push指令將映像檔推播到 OCI 儲存函式庫，例如 Docker Hub。ollama push將 AI 模型推播到 AI 模型儲存函式庫。 - 提取 (Pull): 下載的同義詞。
docker pull指令從 OCI 儲存函式庫提取映像檔，例如 Docker Hub。ollama pull從模型儲存函式庫提取 AI 模型。 - 儲存函式庫 (Registry): 用於儲存和檢索構件（例如容器映像檔和 AI 模型）的中心位置。
本文探討了 Docker 的核心概念、Compose 的應用、與 AI 模型的整合以及相關術語的解析。透過實際案例的操作示範，讀者可以更清晰地理解 Docker 在現代應用程式開發中的重要性，以及如何有效地利用 Docker 簡化開發流程。從構建映像檔、管理容器到佈署複雜的微服務應用程式，Docker 提供了一套完整的解決方案，讓開發者能夠更專注於業務邏輯的開發，提升開發效率。
