shangfangjian
60e4b89822
- 修复所有 confidence → subjective_confidence 残留(03-api, 04-agents, 05-data, 07-development) - 修复 5 张表 → 6 张表残留(06-deployment) - 同步 API schema 示例与实际模型一致 - 更新 predictions 表结构文档(新增 status/cutoff/input_hash 字段) code: 修复 API 异常处理(eval/predict)和 context_builder stats 时间过滤
3.4 KiB
3.4 KiB
06 · 部署
前置要求
- Docker & Docker Compose
- bzzoiro API Key(必填)
- LLM API Key(必填,OpenAI / Deepseek / 兼容接口)
Docker Compose 部署(推荐)
# 1. 配置环境变量
cp .env.example .env
# 编辑 .env: 填 LLM_API_KEY / BZZOIRO_KEY
# 2. 启动(自动建表)
docker compose up -d --build
# 3. 验证
curl http://localhost:8000/health
docker-compose.yml 仅 2 个服务:
| 服务 | 端口 | 说明 |
|---|---|---|
postgres |
5432 | PostgreSQL 16 |
api |
8000 | FastAPI 应用 |
数据卷 pgdata 持久化数据库,重启不丢数据。
本地开发部署
# 1. 安装依赖
pip install -e ".[dev]"
# 2. 启动 PostgreSQL(单独)
docker run -d --name profeto-pg \
-e POSTGRES_USER=football -e POSTGRES_PASSWORD=football -e POSTGRES_DB=football \
-p 5432:5432 postgres:16-alpine
# 3. 配置 .env
cp .env.example .env
# 4. 建表
alembic upgrade head
# 5. 启动 API
uvicorn src.api.app:app --reload
# 6. 启动前端(另一个终端)
cd frontend && npm install && npm run dev
访问:
- API 文档: http://localhost:8000/docs
- 前端界面: http://localhost:5173
环境变量
| 变量 | 必需 | 默认值 | 说明 |
|---|---|---|---|
APP_ENV |
❌ | development |
production / development |
LOG_LEVEL |
❌ | INFO |
日志级别 |
DATABASE_URL |
✅ | — | PostgreSQL 连接 URL |
LLM_PROVIDER |
❌ | openai |
提供商名(仅标记) |
LLM_API_KEY |
✅ | — | API Key |
LLM_BASE_URL |
❌ | https://api.openai.com/v1 |
接口地址(Ollama/Deepseek 用) |
LLM_MODEL |
❌ | gpt-4o |
默认模型 |
LLM_TIMEOUT |
❌ | 60 |
单次调用超时(秒) |
LLM_SPECIALIST_MODEL |
❌ | — | 专家模型(回落 LLM_MODEL) |
LLM_AGGREGATOR_MODEL |
❌ | — | 终裁模型(回落 LLM_MODEL) |
BZZOIRO_KEY |
✅ | — | bzzoiro 数据源 Key |
BZZOIRO_BASE |
❌ | https://sports.bzzoiro.com/api/v2 |
bzzoiro 接口地址 |
API_FOOTBALL_KEY |
❌ | — | 伤停数据源 Key |
CORS_ORIGINS |
❌ | http://localhost:5173,... |
允许的跨域来源 |
LLM 提供商配置示例
OpenAI
LLM_API_KEY=sk-xxxx
LLM_BASE_URL=https://api.openai.com/v1
LLM_MODEL=gpt-4o
Deepseek
LLM_API_KEY=sk-xxxx
LLM_BASE_URL=https://api.deepseek.com/v1
LLM_MODEL=deepseek-chat
Ollama(本地)
LLM_API_KEY=ollama
LLM_BASE_URL=http://localhost:11434/v1
LLM_MODEL=llama3.1
分档配置(专家用便宜模型)
LLM_MODEL=gpt-4o
LLM_SPECIALIST_MODEL=gpt-4o-mini
LLM_AGGREGATOR_MODEL=gpt-4o
数据库迁移
Alembic 管理 schema 变更:
# 查看当前版本
alembic current
# 升级到最新
alembic upgrade head
# 回退一级
alembic downgrade -1
# 生成新迁移(改 models.py 后)
alembic revision --autogenerate -m "描述"
# 空迁移(手动写 SQL)
alembic revision -m "描述"
已有迁移:
0001_initial: 初始 5 张表,0003 增加 injuries,0004 增加约束,0005 增加时间语义0002_agent_outputs: predictions 加mode+agent_outputs
备份与恢复
# 备份
docker exec profeto-postgres pg_dump -U football football > backup.sql
# 恢复
cat backup.sql | docker exec -i profeto-postgres psql -U football football
监控
/health: 存活检查- 日志:容器 stdout(
docker compose logs -f api) - 评估汇总:
GET /api/v1/eval/summary(准确率/RMSAE/校准度)