企业官网建设流程全解析

1. 从零理解多用户 Agent 的容器隔离骨架

Manus 这类产品最容易被误解的地方，是大家总盯着模型能力看，但真正决定它能不能给一群人同时用的，其实是工程侧的隔离设计。我试过把一个单用户 Agent 直接改成多用户，结果第一个用户跑代码把工作目录写满，第二个用户的文件就找不到了；更麻烦的是，两个用户的任务同时调用浏览器，进程互相抢资源，日志混在一起根本没法排查。所以这篇不讲玄学，只讲怎么用容器把每个用户的 Agent 关进自己的小房间，让它有独立的文件系统、独立的进程空间、独立的浏览器会话，同时还能被统一调度。

所谓“基于容器隔离的多用户 Agent 应用”，说白了就是：每个登录用户对应一个容器实例，容器里跑着这个用户的代码执行环境和浏览器自动化环境，容器外有一个调度层负责路由请求、管理生命周期、回收资源。它适合谁？适合想自己搭一套 Agent as a Service 原型的后端同学，适合做 AI 应用但被多租户问题卡住的团队，也适合想理解 Manus 这类产品背后工程复杂度的开发者。你不需要先有万级并发，先把两个用户互不干扰地跑通，骨架就立住了。

核心检索词我先摆出来：容器隔离、多用户 Agent、Docker 编排、会话边界、并发调度。这几个词会贯穿全文。整个系统我拆成四层：镜像层负责预置运行环境，容器管理层负责按用户 ID 创建和销毁容器，路由层负责把请求分发到对应用户的容器，调度层负责控制并发和超时。下面按可复制的顺序一步步来，每一步都有配置和验证动作。

先明确一个原则：Agent 的推理循环可以放在容器外，但代码执行和浏览器操作必须放进容器内。为什么？因为用户让 AI 生成的代码是不可信的，你不可能让它在宿主机上随便跑。浏览器同理，自动化浏览会产生大量临时文件、Cookie、缓存，放在宿主机上很快就会污染环境。把这两类操作关进容器，既保护了宿主机，也让每个用户的工作区天然隔离。这个边界划清楚，后面的配置才有意义。

2. TaoToken 统一 Key 通道的前置准备

多用户 Agent 绕不开模型调用。每个用户的任务都要调 LLM，如果你让每个用户自己填 Key，管理成本高不说，还容易泄露。更合理的做法是：后端统一持有一个 API 通道，所有用户的请求都经过这个通道出去，按用户 ID 做计量和限流。TaoToken 在这里的角色就是统一 Key 和 API 通道，你只需要在服务端配置一次，容器内的 Agent 通过环境变量拿到 Base URL 和 Key，就能调模型，不用在每个容器里单独配。

先拿 Key。打开 https://taotoken.net/api-keys ，登录后创建一个 API Key，复制出来。这个 Key 只放在后端服务的环境变量里，不要写进镜像，也不要传给前端。Base URL 用 https://taotoken.net/api ，注意这个地址不带任何查询参数，直接作为 OpenAI 兼容接口的 base_url 使用。模型 ID 根据你实际要用的模型填，比如 claude-sonnet-4-20250514 这类，具体以控制台模型列表为准。

如果你用的是 Claude Code 这类编码 Agent，TaoToken 也提供了对应的接入方式。Claude Code 的配置入口在 https://taotoken.net/claude-code ，里面会告诉你 Anthropic 兼容的 Base URL 和 Key 怎么填。Coding Plan 适合长期跑编码任务的场景，入口在 https://taotoken.net/coding-plan ，如果你打算让 Agent 持续做代码生成和执行，可以走这个通道。模型对话调试入口在 https://taotoken.net/chat ，用来快速验证 Key 是否可用。接入文档在 https://taotoken.net/doc ，里面有完整的参数说明。

前置准备的核心是三件套：Base URL、API Key、Model ID。这三样在后面的容器配置里会以环境变量形式注入。我建议你在后端服务里做一个统一的模型客户端封装，所有容器内的 Agent 都通过这个客户端调模型，而不是各自直连。这样做的好处是：Key 只存在于后端，容器里只有临时凭证；计量和限流可以在客户端层做；模型切换只需要改一处配置。下面给一个最小化的环境变量配置示例，你可以直接复制到后端的 .env 文件里。

# 后端服务环境变量，不要提交到代码仓库 TAOTOKEN_BASE_URL=https://taotoken.net/api TAOTOKEN_API_KEY=sk-你的实际Key TAOTOKEN_MODEL_ID=claude-sonnet-4-20250514

容器启动时，这些变量通过 docker run 的 -e 参数注入，或者通过 docker-compose 的 environment 字段传入。注意不要把 Key 写进 Dockerfile，也不要在镜像构建阶段传入，否则镜像层里会留下痕迹。正确的做法是运行时注入。如果你用 Docker Compose，可以这样写：

services: agent-worker: image: agent-sandbox:latest environment: - TAOTOKEN_BASE_URL=${TAOTOKEN_BASE_URL} - TAOTOKEN_API_KEY=${TAOTOKEN_API_KEY} - TAOTOKEN_MODEL_ID=${TAOTOKEN_MODEL_ID} - USER_ID=${USER_ID} volumes: - ./workspace/${USER_ID}:/workspace

这样每个用户容器启动时，都会拿到自己的 USER_ID 和统一模型通道配置。工作区挂载到宿主机的 ./workspace/${USER_ID} 目录，容器销毁后文件还在，方便排查和恢复。注意 volumes 的路径要用用户 ID 区分，否则多个容器会写同一个目录，隔离就失效了。

3. 可复制的容器配置与多用户路由示例

这一节是全文最核心的部分，直接给可复制的配置。先看 Dockerfile，它决定了每个用户容器里有什么。基础镜像用 python:3.11-slim，然后装代码执行需要的库和浏览器自动化需要的依赖。关键点是：playwright 的浏览器要装进镜像，不要运行时再装，否则每个用户第一次任务都要等几分钟。start.sh 负责启动虚拟显示，让 Chromium 在无头容器里能跑起来。

FROM python:3.11-slim # 基础工具 RUN apt-get update && apt-get install -y \ curl wget git xvfb \ && rm -rf /var/lib/apt/lists/* # Python 依赖 COPY requirements.txt /tmp/requirements.txt RUN pip install --no-cache-dir -r /tmp/requirements.txt # 安装 playwright 浏览器 RUN pip install playwright && playwright install chromium # 工作目录 WORKDIR /workspace # 启动脚本 COPY start.sh /start.sh RUN chmod +x /start.sh ENTRYPOINT ["/start.sh"] CMD ["sleep", "infinity"]

start.sh 的内容很简单，启动 Xvfb 后执行传入的命令：

#!/bin/bash Xvfb :99 -screen 0 1024x768x16 & sleep 1 export DISPLAY=:99 exec "$@"

requirements.txt 里放你需要的库，比如 pandas、requests、beautifulsoup4、playwright 等。构建命令：

docker build -t agent-sandbox:latest .

构建完成后用 docker images 确认镜像存在。接下来是容器管理层的代码。核心逻辑是：用字典保存 user_id 到容器实例的映射，每个用户只创建一个容器，重复请求返回同一个实例。下面是一个可运行的 Python 封装：

import os import docker from typing import Dict, Optional _client = docker.from_env() _containers: Dict[str, any] = {} BASE_WORK_DIR = os.path.abspath("./workspace") def get_container(user_id: str, image: str = "agent-sandbox:latest"): if user_id in _containers: return _containers[user_id] work_dir = os.path.join(BASE_WORK_DIR, user_id) os.makedirs(work_dir, exist_ok=True) container = _client.containers.run( image=image, name=f"agent-{user_id}", detach=True, environment={ "USER_ID": user_id, "TAOTOKEN_BASE_URL": os.environ["TAOTOKEN_BASE_URL"], "TAOTOKEN_API_KEY": os.environ["TAOTOKEN_API_KEY"], "TAOTOKEN_MODEL_ID": os.environ["TAOTOKEN_MODEL_ID"], }, volumes={work_dir: {"bind": "/workspace", "mode": "rw"}}, mem_limit="2g", cpu_period=100000, cpu_quota=50000, network_disabled=False, ) _containers[user_id] = container return container def close_container(user_id: str): container = _containers.pop(user_id, None) if container: container.stop(timeout=5) container.remove(force=True)

这段代码里几个参数值得说明。mem_limit="2g" 限制每个容器最多用 2G 内存，防止某个用户的任务把宿主机吃满。cpu_quota=50000 配合 cpu_period=100000，表示每个容器最多用 0.5 个 CPU 核，多用户并发时不会互相抢。volumes 把用户工作区挂进去，容器内路径固定为 /workspace。network_disabled=False 是因为浏览器任务需要联网，如果你只跑代码执行，可以设为 True 更安全。

路由层用一个简单的 FastAPI 示例，根据请求里的 user_id 分发到对应容器：

from fastapi import FastAPI, HTTPException from pydantic import BaseModel from container_manager import get_container, close_container app = FastAPI() class TaskRequest(BaseModel): user_id: str code: str @app.post("/execute") def execute(req: TaskRequest): if not req.user_id: raise HTTPException(status_code=400, detail="user_id required") container = get_container(req.user_id) result = container.exec_run( cmd=["python", "-c", req.code], workdir="/workspace", ) return { "user_id": req.user_id, "exit_code": result.exit_code, "output": result.output.decode("utf-8", errors="replace"), } @app.delete("/container/{user_id}") def destroy(user_id: str): close_container(user_id) return {"status": "closed", "user_id": user_id}

这个路由示例虽然简单，但已经具备多用户隔离的核心：每个 user_id 对应独立容器，执行代码在容器内，工作区挂载到独立目录。并发调度方面，FastAPI 默认的线程池可以处理一定并发，但如果用户量大，建议在容器管理层加一个信号量控制同时运行的容器数量，比如最多 50 个，超出的排队。信号量用 threading.Semaphore 就能实现，这里不展开。

4. 验证请求与隔离效果实测

配置写完了，必须验证。验证分三步：先验证单个容器能跑代码，再验证两个用户互不干扰，最后验证模型调用通道通。第一步，启动服务后发一个请求：

curl -X POST http://localhost:8000/execute \ -H "Content-Type: application/json" \ -d '{"user_id":"alice","code":"import os; print(os.getcwd()); open(\"hello.txt\",\"w\").write(\"alice\")"}'

预期返回 exit_code 为 0，output 里打印 /workspace。然后检查宿主机的 ./workspace/alice/hello.txt 是否存在，内容是否为 alice。这一步验证了容器内工作区挂载正确。

第二步，用 bob 发同样的请求，但写入不同内容：

curl -X POST http://localhost:8000/execute \ -H "Content-Type: application/json" \ -d '{"user_id":"bob","code":"import os; print(os.getcwd()); open(\"hello.txt\",\"w\").write(\"bob\")"}'

然后分别查看 ./workspace/alice/hello.txt 和 ./workspace/bob/hello.txt，内容应该分别是 alice 和 bob。如果两个文件内容一样，说明挂载路径没按 user_id 区分，隔离失败。这一步是最关键的隔离验证，一定要做。

第三步，验证模型调用。在容器内执行一段调用 TaoToken 的代码：

import os from openai import OpenAI client = OpenAI( base_url=os.environ["TAOTOKEN_BASE_URL"], api_key=os.environ["TAOTOKEN_API_KEY"], ) resp = client.chat.completions.create( model=os.environ["TAOTOKEN_MODEL_ID"], messages=[{"role": "user", "content": "只回复两个字：通了"}], ) print(resp.choices[0].message.content)

把这段代码通过 /execute 接口发给 alice，预期输出“通了”。如果报 401，检查 Key 是否正确注入；如果报连接错误，检查容器网络是否正常。这一步通了，说明统一 Key 通道在容器内可用。

第四步，验证资源边界。同时发 10 个请求给同一个用户，观察容器内存和 CPU 是否被限制在配置范围内。用 docker stats agent-alice 可以看到实时资源占用。如果内存超过 2G 被 OOM kill，说明限制生效。这一步验证了资源隔离，防止单用户拖垮整个服务。

实测下来，这套骨架在 4 核 8G 的机器上可以稳定跑 5 到 8 个用户容器，每个容器 0.5 核 2G。如果用户更多，要么加机器，要么把容器做成按需启动、空闲回收。回收策略可以简单点：任务完成后延迟 5 分钟销毁容器，下次请求再重建。这样既省资源，又不影响体验。

5. 常见报错与排查对照

多用户 Agent 跑起来后，报错集中在几个地方。下面按真实报错对照排查。

第一个报错：401 Unauthorized或invalid api key。这通常是 TaoToken 的 Key 没注入到容器，或者注入的变量名和代码里读的不一致。排查动作：进入容器执行 env | grep TAOTOKEN，确认三个变量都在。如果不在，检查 docker run 的 -e 参数或 compose 的 environment 字段。如果变量在但还报 401，检查 Key 是否有多余空格，或者是否在控制台被禁用。模型对话入口 https://taotoken.net/chat 可以快速验证 Key 本身是否有效。

第二个报错：local proxy failed或connection refused。这通常是容器网络问题。排查动作：在容器内执行 curl -I https://taotoken.net/api ，看是否能通。如果不通，检查宿主机的网络和 DNS 配置。注意不要用任何网络代理工具，直接走正常网络即可。如果容器内 curl 不通但宿主机通，检查 docker 的 network 模式，默认 bridge 模式一般没问题。

第三个报错：reading choices相关错误，比如KeyError: 'choices'或list index out of range。这通常是模型返回结构不符合预期，可能是模型 ID 填错，或者请求参数不对。排查动作：打印完整的 resp 对象，看返回内容。如果返回的是错误信息而不是 choices，根据错误信息调整。常见原因是 model 参数填了一个不存在的模型 ID，或者 messages 格式不对。

第四个报错：OAuth相关错误，比如OAuth token expired。如果你用的是 Claude Code 或类似需要 OAuth 的客户端，检查配置是否过期。Claude Code 的接入配置在 https://taotoken.net/claude-code ，按文档重新生成凭证即可。注意 OAuth 凭证和 API Key 是两套东西，不要混用。

第五个报错：容器启动失败，报port already in use或name already in use。这是因为同名容器已存在。排查动作：docker ps -a | grep agent- ，找到残留容器后 docker rm -f 删掉。代码层面可以在创建容器前先检查同名容器是否存在，存在则先删除。或者用随机后缀命名，避免冲突。

第六个报错：代码执行超时，容器无响应。这通常是用户代码里有死循环或长时间阻塞操作。排查动作：给 exec_run 加 timeout 参数，超时后强制停止容器。同时给容器加 cpu_quota 限制，防止单个任务占满 CPU。如果任务确实需要长时间运行，改成异步任务队列，不要让 HTTP 请求一直等着。

第七个报错：工作区文件权限错误，报Permission denied。这是因为容器内进程的 UID 和宿主机挂载目录的 UID 不一致。排查动作：在 Dockerfile 里创建一个固定 UID 的用户，或者启动容器时用 --user 参数指定 UID。简单做法是给工作区目录 chmod 777，但不推荐用于生产。更好的做法是容器内用非 root 用户运行，宿主机目录属主和容器内用户 UID 对齐。

6. 从骨架到可扩展服务的下一步

骨架跑通后，下一步是让它更接近生产可用。几个方向：第一，把容器生命周期管理从内存字典改成 Redis 或数据库，这样服务重启后还能恢复用户和容器的映射关系。第二，加一个任务队列，比如 Celery 或 RQ，把耗时的 Agent 任务异步化，HTTP 接口只负责提交和查询状态。第三，加计量和限流，按 user_id 统计模型调用次数和 token 消耗，超出配额就拒绝。第四，加日志聚合，每个容器的日志打到统一的地方，方便排查。

模型通道方面，TaoToken 的统一 Key 方案可以继续用。如果你要做长期编码 Agent，Coding Plan 入口在 https://taotoken.net/coding-plan ，适合持续跑代码生成和执行任务。接入文档在 https://taotoken.net/doc ，里面有完整的参数和错误码说明。API Key 管理在 https://taotoken.net/api-keys ，可以创建多个 Key 做轮换。模型对话调试在 https://taotoken.net/chat ，用来快速验证模型可用性。

最后给一个实用技巧：在容器启动时注入一个健康检查脚本，定期检查模型通道是否可用。如果连续失败，自动重建容器。这样即使某个容器的网络出问题，也能自愈。健康检查脚本可以放在 start.sh 里，后台运行，不影响主进程。这套骨架加上这些增强，基本就能支撑一个小规模的多用户 Agent 服务了。