在 WeAreDevelopers 的 Docker Pavilion，主角不只是某一款工具，而是围绕容器开发形成的完整生态：合作伙伴提供平台、模型与安全能力，客户则带来真实项目中的经验和约束。围绕 AI、安全和开发工作流展开的分享，价值正在于把抽象趋势还原成开发者每天都会遇到的具体问题。
为什么开发者需要一个强生态
现代应用很少由单一产品独立完成。一个典型的 AI 服务可能同时涉及模型 API、应用框架、容器镜像、软件供应链扫描、身份认证、可观测性和部署平台。Docker 位于这些环节的交汇处：开发者可以用统一的镜像和容器工作流封装应用，但仍然需要生态伙伴补齐模型、安全、云基础设施和运营能力。
客户的参与同样重要。工具供应商可以解释功能，实际使用者则更适合回答另一组问题：
- AI 原型如何进入现有开发流程，而不是成为孤立的演示？
- 容器安全检查应该放在本地、CI，还是部署阶段？
- 开发环境与生产环境怎样保持一致，同时避免把密钥和调试配置带入生产？
- 团队如何在交付速度、镜像体积和安全基线之间取舍？
因此，这类现场分享不应只被当成产品发布。它也是开发者比较不同方案、验证架构假设，并直接与技术团队和使用者交流的机会。
AI、安全与开发体验其实是同一条链路
AI 应用看起来关注模型，但真正投入使用后，工程问题会迅速占据主要工作量。模型调用需要被封装成服务，服务需要可重复构建，依赖需要检查，运行时权限需要收紧，最后还要进入团队已有的测试和发布流程。
这三个主题可以沿着一条交付链理解：
- 开发体验决定团队能否在本地快速启动、调试和复现问题。
- AI 能力决定应用如何组织提示词、模型调用、数据处理和降级策略。
- 安全控制约束镜像来源、依赖风险、密钥使用和容器运行权限。
生态伙伴的价值并不是让开发者增加更多工具，而是尽量让这些能力接入同一条工作流。例如，开发者提交代码后，CI 可以构建镜像、生成软件物料清单、执行漏洞扫描，再将通过策略检查的镜像交给部署平台。每个环节可以来自不同团队，但接口和责任边界必须清晰。
可以这样实践：运行一个受限权限的“AI 摘要”容器
下面是一个可直接运行的最小项目。它使用关键词规则模拟摘要服务，并不是真实的大模型实现；实践时可以替换 summarize() 函数，接入团队选定的模型 API 或本地模型。这个例子的重点是把开发接口、健康检查和基本容器安全约束放在一起。
先确认本机已安装 Docker，然后在空目录执行：
cat > app.py <<'PY'
import json
from http.server import BaseHTTPRequestHandler, ThreadingHTTPServer
def summarize(text: str) -> str:
# 示例占位逻辑：生产环境可替换为经过超时、重试和限流封装的模型调用。
sentences = [part.strip() for part in text.replace("！", "。").split("。") if part.strip()]
return "。".join(sentences[:2]) + ("。" if sentences else "")
class Handler(BaseHTTPRequestHandler):
def send_json(self, status: int, payload: dict) -> None:
body = json.dumps(payload, ensure_ascii=False).encode("utf-8")
self.send_response(status)
self.send_header("Content-Type", "application/json; charset=utf-8")
self.send_header("Content-Length", str(len(body)))
self.end_headers()
self.wfile.write(body)
def do_GET(self):
if self.path == "/health":
self.send_json(200, {"status": "ok"})
else:
self.send_json(404, {"error": "not found"})
def do_POST(self):
if self.path != "/summarize":
self.send_json(404, {"error": "not found"})
return
try:
length = int(self.headers.get("Content-Length", "0"))
if length > 100_000:
self.send_json(413, {"error": "request too large"})
return
data = json.loads(self.rfile.read(length))
text = data.get("text", "")
if not isinstance(text, str) or not text.strip():
self.send_json(400, {"error": "text must be a non-empty string"})
return
self.send_json(200, {"summary": summarize(text)})
except (ValueError, json.JSONDecodeError):
self.send_json(400, {"error": "invalid JSON"})
ThreadingHTTPServer(("0.0.0.0", 8080), Handler).serve_forever()
PY
cat > Dockerfile <<'DOCKER'
FROM python:3.12-slim
ENV PYTHONDONTWRITEBYTECODE=1 \
PYTHONUNBUFFERED=1
RUN useradd --create-home --uid 10001 appuser
WORKDIR /app
COPY --chown=appuser:appuser app.py /app/app.py
USER appuser
EXPOSE 8080
CMD ["python", "/app/app.py"]
DOCKER
cat > compose.yaml <<'YAML'
services:
summarizer:
build: .
ports:
- "127.0.0.1:8080:8080"
read_only: true
tmpfs:
- /tmp:size=16m
cap_drop:
- ALL
security_opt:
- no-new-privileges:true
pids_limit: 100
mem_limit: 256m
healthcheck:
test: ["CMD", "python", "-c", "import urllib.request; urllib.request.urlopen('http://localhost:8080/health')"]
interval: 10s
timeout: 3s
retries: 3
YAML
docker compose up --build -d
curl --fail http://localhost:8080/health
curl --fail \
-H 'Content-Type: application/json' \
-d '{"text":"容器让开发环境更容易复现。运行时仍然需要限制权限。安全应该进入日常工作流。"}' \
http://localhost:8080/summarize
运行结束后可清理环境：
docker compose down --remove-orphans
这个小项目体现了几项适合继续追问生态伙伴的问题：镜像基础层由谁维护，漏洞如何通知，模型凭据怎样注入，外部请求如何审计，以及策略失败后由谁负责处理。示例中的非 root 用户、只读文件系统和 capability 移除只是基础防线，不能替代镜像签名、依赖扫描、网络策略、身份认证和应用级输入验证。
参加现场交流时，带着架构问题而不是产品清单
Docker Pavilion 公布的合作伙伴、客户、场次和讲者，为参会者提供了直接接触技术建设者与实际使用团队的机会。要让交流更有效，可以提前准备一份短清单：
- 方案是否能复用现有 Dockerfile、Compose 配置和 CI 流程？
- AI 请求中的提示词、用户数据和模型响应会在哪里保存？
- 是否支持生成 SBOM、验证镜像来源并设置漏洞准入策略？
- 本地开发与生产部署之间有哪些行为差异？
- 出现模型超时、供应商不可用或安全策略误报时，系统如何降级？
- 团队能否导出数据和配置，避免被单一平台锁定？
强生态的意义，不是让所有团队采用完全相同的技术栈，而是让不同产品能够通过明确接口组合，并允许开发者根据安全、成本和交付速度做出选择。现场演示适合发现可能性，真正采用之前仍应通过小规模验证、威胁建模和可退出性评估来检验方案。