新闻详情

新闻详情

首页 / 资讯中心 / 详情

给 AI Agent 一个工位:AinoWork 开源发布,一条命令部署并接入 TaoToken

发布时间:2026/11/16 15:48:07来源:尧图网络
给 AI Agent 一个工位:AinoWork 开源发布,一条命令部署并接入 TaoToken
1. 为什么你的 Agent 需要一个「工位」如果你最近在折腾 AI Agent大概率遇到过这种尴尬模型在对话框里把方案讲得头头是道代码也写得像模像样但你让它真正跑一下npm install、执行一次pytest、或者打开浏览器点两下验证页面它立刻哑火——因为它根本没有可以动手的地方。聊天窗口再聪明也只是个「嘴替」不是「手替」。AinoWork 这个开源项目想解决的就是这件事。它给每个 AI Agent 分配一个独立的 Docker 容器当作「工位」容器里有真实的文件系统、Shell、Chromium 浏览器和 Git。Agent 在里面真正执行命令、改文件、跑测试搞砸了也只影响那个隔离容器宿主机安然无恙。它基于 Hermes Agent 构建相当于给这个 Agent 框架加了一层 Web 工作台和 Docker 沙箱适合想快速搭建私有化 AI Agent 工位的开发者、小团队以及那些对数据出域比较敏感的场景。我试过把几个日常开发任务丢给它从 clone 仓库到跑通测试整个链路是通的。下面这篇就按「一条命令部署 → 接入模型 → 验证响应」的顺序把可复制的配置和踩过的坑都摊开讲。你跟着做半小时内应该能拥有一个能真正干活的 Agent 工位。2. 部署前把 TaoToken 的通道准备好AinoWork 本身不带模型它需要一个兼容 OpenAI 接口的 API 通道来驱动 Agent。这里我用 TaoToken 作为统一入口好处是一个 Key 就能切换不同模型不用在 AinoWork 里反复改端点。你需要先去控制台拿一个 API Key地址是 https://taotoken.net/api-keys 登录后新建一个 Key 复制出来后面配置里要用。拿到 Key 之后记住两个东西一个是 Key 本身形如sk-xxxx另一个是 API 端点统一用https://taotoken.net/api。AinoWork 的模型配置走的是 OpenAI 兼容格式所以端点填这个就行不需要额外加/v1之类的后缀具体以你实际请求返回为准。如果你还没决定用哪个模型可以先到模型对话页面 https://taotoken.net/models 试一下响应速度再决定往 AinoWork 里填哪个模型名。注意Key 只显示一次复制后找个安全的地方存好。不要把它硬编码进会提交到 Git 的文件里后面我会用环境变量的方式注入。3. 一条命令部署 AinoWork3.1 环境确认先把依赖过一遍版本不够的话启动脚本会中途报错。Docker 要 24.0 以上Docker Compose 要 v2 以上内存至少 8GB磁盘留 20GB 可用空间。Windows 用户需要 WSL2 加 Docker Desktop并且 Docker Desktop 必须切到 Linux 容器模式。docker --version # Docker version 24.0.7, build afdd53b docker compose version # Docker Compose version v2.21.0两条命令都能正常输出版本号就可以往下走了。3.2 下载启动包并解压AinoWork 官方提供了一个 starter 包里面包含 compose 文件和启动脚本。用 curl 拉下来curl -fsSL https://raw.githubusercontent.com/oinone/ainowork/refs/heads/master/docker/ainowork-starter.zip -o ainowork-starter.zip unzip ainowork-starter.zip cd ainowork-starter解压后你会看到start-mac.sh、start-linux.sh、start-win.ps1三个脚本按你的系统选一个执行。启动脚本会自动做三件事创建ainoworkDocker bridge 网络、预拉取沙箱镜像ainowork-sandbox:1.0.0、启动 5 个基础服务容器。第一次跑会拉镜像耐心等几分钟。bash start-linux.sh # 或者 macOS: bash start-mac.sh # Windows PowerShell: ./start-win.ps13.3 确认容器状态启动完成后用docker ps看一眼正常应该有 5 个 Up 状态的容器docker ps # CONTAINER ID IMAGE STATUS # xxxxx ainowork-frontend:1.0.0 Up (healthy) 0.0.0.0:3000-443/tcp # xxxxx ainowork-backend:1.0.0 Up (healthy) 3003/tcp # xxxxx redis:8-alpine Up (healthy) 6379/tcp # xxxxx postgres:16-alpine Up (healthy) 5432/tcp # xxxxx alpine-socat:1.8.1.1 Up看到 frontend 和 backend 都是Up (healthy)就说明部署成功了。浏览器打开https://localhost:3000用默认账号adminainowork.dev/admin123456登录。第一次进去会提示你改密码顺手改掉。4. 可复制的模型接入配置4.1 config.toml 骨架AinoWork 的模型配置支持通过配置文件注入这样你重建容器时不用重新填。在 starter 目录下新建config.toml内容如下。把api_key换成你从 TaoToken 拿到的 Keybase_url保持https://taotoken.net/apimodel填你想用的模型名。[llm] provider openai api_key ${TAOTOKEN_API_KEY} base_url https://taotoken.net/api model gpt-4o-mini temperature 0.3 max_tokens 4096 [agent] sandbox_image ainowork-sandbox:1.0.0 workspace_root /workspace timeout_seconds 300这里用${TAOTOKEN_API_KEY}引用环境变量而不是把 Key 写死。启动前在 shell 里 export 一下export TAOTOKEN_API_KEYsk-你的Key4.2 settings.json 骨架如果你更习惯用 JSON 配置AinoWork 也支持settings.json。放在同一目录下字段和 toml 对应{ llm: { provider: openai, apiKey: ${TAOTOKEN_API_KEY}, baseUrl: https://taotoken.net/api, model: gpt-4o-mini, temperature: 0.3 }, agent: { sandboxImage: ainowork-sandbox:1.0.0, workspaceRoot: /workspace, timeoutSeconds: 300 } }两个文件选一个用就行同时存在时以config.toml优先。改完配置后重启容器让配置生效docker compose down docker compose up -d4.3 在 Web 界面里核对重启后登录 AinoWork进「设置 → 模型配置」你应该能看到刚才填的端点和模型名。如果这里显示为空说明配置文件没被读到检查一下文件是不是放在 starter 根目录、环境变量有没有 export 成功。界面里也可以直接改改完点保存会写回配置文件。5. 验证 Agent 工位是否正常响应配置好了不代表能用得发一次真实请求验证。最直接的方式是在 AinoWork 里新建一个空白项目然后在右侧 Agent 对话面板里发一条指令让它执行一个简单命令。比如请在当前工作区创建一个 hello.py内容打印 agent workspace ok然后运行它。正常情况下Agent 会调用沙箱里的 Shell创建文件并执行对话面板里会返回类似这样的输出$ python hello.py agent workspace ok如果你在左侧文件树里看到hello.py出现了说明 Agent 真的在容器里动手了而不只是嘴上说说。这一步是整个部署的验收点——文件系统、Shell、模型通道三者都通了。想再确认一下模型通道本身没问题可以单独用 curl 打一次 TaoToken 的接口curl https://taotoken.net/api/chat/completions \ -H Authorization: Bearer $TAOTOKEN_API_KEY \ -H Content-Type: application/json \ -d { model: gpt-4o-mini, messages: [{role: user, content: ping}] }返回里有choices字段就说明 Key 和端点都是通的。如果这一步失败问题在通道侧不在 AinoWork。6. 本篇常见错排查端口 3000 被占用。前端默认映射到宿主机 3000如果你本机已经有服务占了编辑 starter 目录下的.env把FRONTEND_PORT3000改成3001然后docker compose down -v docker compose up -d重启。注意-v会清掉数据卷如果里面已经有项目数据先备份。登录后 Agent 不工作。最常见的原因是模型配置没生效。检查config.toml里的base_url是不是https://taotoken.net/apiKey 有没有正确 export。如果用的是国内模型确认它兼容 OpenAI 接口格式不兼容的话 AinoWork 调不通。Windows 启动脚本报错。两个检查点WSL2 是否已安装并设为默认Docker Desktop 是否切到 Linux 容器模式。Windows 容器模式下沙箱镜像跑不起来必须切 Linux 模式。容器起来了但 frontend 一直 unhealthy。多半是镜像没拉全或者内存不够。先docker compose logs frontend看日志再确认宿主机内存有没有到 8GB。内存不足时 backend 会反复重启。Agent 执行命令超时。默认timeout_seconds是 300 秒跑大型依赖安装可能不够。在config.toml里把它调到 600 或更高重启容器生效。7. 接下来怎么用工位搭好之后你可以把它当成一个能真正跑代码的 Agent 环境来用。日常开发里我比较常用的几个场景让它 clone 一个仓库、跑一遍测试、把失败的用例修掉或者丢一个前端项目进去让它用内置的 Chromium 打开页面截图验证。这些操作都在隔离容器里发生不会污染你的本机环境。如果你打算长期跑编码任务或者接 Agent 工作流可以了解一下 Coding Plan https://taotoken.net/coding-plan 配合 AinoWork 的沙箱做持续集成式的 Agent 任务比较顺手。接入过程中遇到通道或 Key 的问题直接翻接入文档 https://taotoken.net/doc 里面把端点和参数都列清楚了。模型选型拿不准的时候先去模型对话 https://taotoken.net/models 试一轮再决定往 AinoWork 里填哪个。部署这件事第一次跑通之后后面就是复制粘贴。真正花时间的是让 Agent 在你的项目里跑顺——那部分没有捷径多丢几个真实任务给它踩几次坑就熟了。
网站建设高端定制企业官网
RELATED

相关资讯

更多精彩内容,欢迎继续阅读

较早相关资讯

最新相关资讯

【外设】之大彩串口显示屏 2026/11/15 4:54:16

【外设】之大彩串口显示屏

大彩串口屏初步使用 1 .官网下载 STM32 屏幕 GUI 设计资料 http://www.gz-dc.com/category/typeid/4112 找到 STM32 Keil 工程,移植相关代码因项目而异进行移植,由于项目简单,本人只对用到的指令接口进行修改。 比如:注意事项&…

阅读更多 →
无法下载Windows系统iso文件 2026/11/15 2:04:12

无法下载Windows系统iso文件

当我遇到这个问题的时候,我打开了一个网站: 登录 然后我打算下载的时候: 突然那个官方的连接就可以下载了:

阅读更多 →
【清华代码熊】DeepSeek V4.1 Flash 后训练详解 2026/11/14 10:11:15

【清华代码熊】DeepSeek V4.1 Flash 后训练详解

📌 上期解析了 DeepSeek V4.1 Flash 模型架构改进,本期解析 DeepSeek V4.1 Flash 预训练/后训练技术: 🌟 预训练:45T 文本 多模态混合语料、直接训练 sparse attention(取消 DeepSeek V4 的 dense 冷启动&…

阅读更多 →
Shuffle-R1: Efficient RL framework for Multimodal Large Language Models via Data-centric Dynamic ... 2026/11/16 6:47:19

Shuffle-R1: Efficient RL framework for Multimodal Large Language Models via Data-centric Dynamic ...

文章主要内容和创新点 主要内容 本文聚焦于多模态大语言模型(MLLM)强化学习(RL)训练中的效率问题,提出了一个名为Shuffle-R1的框架。研究发现,当前RL训练存在两个关键缺陷: 优势值坍缩(Advantage Collapsing):批次中大多数优势值集中在零附近,导致有效梯度信号被淹…

阅读更多 →
PRvL: Quantifying the Capabilities and Risks of Large Language Models for PII Redaction 2026/11/14 16:35:50

PRvL: Quantifying the Capabilities and Risks of Large Language Models for PII Redaction

一、文章主要内容总结 本文聚焦于利用大型语言模型(LLMs)实现个人身份信息(PII)脱敏的研究,旨在解决传统脱敏方法(如基于规则的系统、领域特定命名实体识别(NER)模型)泛化能力差、跨格式/跨语境适应性弱的问题。 研究通过全面评估多种LLM架构(包括密集型LLM(D-LLM…

阅读更多 →
LLaVA-RE: Binary Image-Text Relevancy Evaluation with Multimodal Large Language Model 2026/11/15 4:06:36

LLaVA-RE: Binary Image-Text Relevancy Evaluation with Multimodal Large Language Model

文章主要内容和创新点 主要内容 本文聚焦于二进制图像-文本相关性评估任务(判断图像与文本“相关”或“不相关”),针对该任务中文本格式多样、相关性定义随场景变化等挑战,提出了基于多模态大语言模型(MLLM)的解决方案LLaVA-RE。 模型设计:LLaVA-RE基于LLaVA 1.5架构,…

阅读更多 →

今日资讯

本周资讯

本月资讯

看完文章仍有疑问?

联系尧图顾问,获取一对一建站咨询

立即免费咨询 📞 400-888-8888
📞 ✉