Введение
Фреймворки вроде LangChain и CrewAI сильно упростили создание ИИ-агентов. Однако разработка таких агентов часто сталкивается с ограничениями API, обработкой многомерных данных или необходимостью открывать локальные серверы для внешнего мира.
Вместо расходов на облачные сервисы во время создания прототипов или установки кучи зависимостей на основную машину подойдет Docker. С помощью одной команды запускается вся нужная инфраструктура, чтобы агенты стали эффективнее.
Далее — 5 ключевых Docker-контейнеров, которые стоит добавить в арсенал любого специалиста по ИИ-агентам.
1. Ollama: локальные языковые модели
При работе с агентами отправка промтов в облачные сервисы вроде OpenAI быстро бьет по карману и тормозит процесс. Для задач типа исправления грамматики или классификации требуется быстрая приватная модель.
Ollama запускает открытые большие языковые модели вроде Llama 3, Mistral или Phi прямо на локальном оборудовании. Контейнер сохраняет систему чистой и позволяет менять модели без мороки с Python-окружением.
Приватность данных и их стоимость — главные вызовы при создании агентов. Образ Ollama Docker просто разворачивает такие модели через REST API.
Почему это важно для разработчиков ИИ-агентов
Агент получает собственный "мозг" внутри инфраструктуры, без передачи конфиденциальной информации в OpenAI. Для корпоративных решений с закрытыми данными это незаменимо. Команда docker run ollama/ollama сразу дает локальный эндпоинт для генерации текста и анализа задач.
Быстрый запуск
Чтобы загрузить и запустить модель Mistral в контейнере Ollama, выполните команду. Она открывает порт и сохраняет модели на диске.
docker run -d -v ollama:/root/.ollama -p 11434:11434 --name ollama ollama/ollamaПосле запуска контейнера внутри него загрузите модель:
docker exec -it ollama ollama run mistralПочему это полезно для разработчиков ИИ-агентов
Клиент LLM в агенте подключается к http://localhost:11434. Получается локальный эндпоинт, совместимый по API, для скоростного прототипирования — данные остаются на машине.
Основные преимущества
- Приватность данных: промты и информация под защитой
- Экономия: без платежей за вызовы API
- Скорость: быстрые ответы на локальных GPU
2. Qdrant: векторная база для памяти
ИИ-агенты нуждаются в памяти для хранения прошлых диалогов и знаний по теме. Для долгосрочной памяти подойдет векторная база данных. Она хранит числовые представления текста (эмбеддинги), чтобы агент мог находить похожий контент по смыслу.
Qdrant — высокопроизводительная открытая векторная база на Rust. Быстрая, надежная, с поддержкой gRPC и REST API. Docker-развертывание мгновенно дает продакшн-систему памяти для агентов.
Почему это важно для разработчиков ИИ-агентов
Для RAG-агента (retrieval-augmented generation) храните эмбеддинги документов и быстро их извлекайте. Qdrant служит долгосрочной памятью: вопрос превращается в вектор, база находит похожие знания, агент использует их для ответа. Docker-изоляция отделяет память от кода приложения, повышая стабильность.
Быстрый запуск
Одна команда запускает Qdrant. API и панель на порту 6333, gRPC на 6334.
docker run -d -p 6333:6333 -p 6334:6334 qdrant/qdrantПодключайте агента к localhost:6333. При новом знании сохраняйте эмбеддинг в Qdrant. На следующий вопрос агент ищет релевантные "воспоминания" для промта — и становится по-настоящему разговорчивым.
3. n8n: связка рабочих процессов
Рабочие процессы агентов редко бывают изолированными. Агент может проверять почту, обновлять Google Sheet или слать уведомления в Slack. Писать API-вызовы вручную утомительно.
n8n — инструмент автоматизации workflow с открытым кодом. Визуальный интерфейс соединяет сервисы. Локальный запуск позволяет строить цепочки вроде "Если агент нашел лид по продажам, добавь в HubSpot и оповести в Slack" — без единой строки кода интеграций.
Быстрый запуск
Для сохранения workflow монтируйте том. Команда использует SQLite.
docker run -d --name n8n -p 5678:5678 -v n8n_data:/home/node/.n8n n8nio/n8nПочему это полезно для разработчиков ИИ-агентов
Агент вызывает webhook n8n, передает данные — инструмент берет на себя общение с внешними API. LLM (мозг) отделяется от интеграций (руки).
Редактор доступен по http://localhost:5678 — автоматизируйте сразу.
4. Firecrawl: сайты в данные для LLM
Исследования — частая задача агентов, но сырой HTML или JS-сайты им не по зубам. Нужен чистый markdown-текст.
Firecrawl по URL сканирует сайт, превращает в markdown или структурированные данные. Обрабатывает JS, убирает рекламу и меню. Локальный запуск обходит лимиты облака.
Быстрый запуск
Firecrawl — несколько сервисов (app, Redis, Playwright), используйте docker-compose.yml. Клонируйте репозиторий и запустите.
git clone https://github.com/mendableai/firecrawl.git
cd firecrawl
docker compose upПочему это полезно для разработчиков ИИ-агентов
Агент получает доступ к живым веб-данным. Для исследовательского агента: вызов локального Firecrawl, извлечение страницы, очистка, чанкинг и хранение в Qdrant — все автономно.
5. PostgreSQL и pgvector: реляционная память
Иногда векторного поиска мало — нужны структурированные данные вроде профилей пользователей или логов транзакций плюс эмбеддинги. PostgreSQL с расширением pgvector сочетает оба подхода.
Одна база вместо двух: имя и возраст в колонке, эмбеддинги диалогов — в другой. Гибридный поиск, например "диалоги пользователей из Нью-Йорка о возвратах".
Быстрый запуск
Официальный образ PostgreSQL без pgvector, берите специальный.
docker run -d --name postgres-pgvector -p 5432:5432 -e POSTGRES_PASSWORD=mysecretpassword pgvector/pgvector:pg16Почему это полезно для разработчиков ИИ-агентов
Идеальный бэкенд для агентов с состоянием. Агент записывает воспоминания и статус в ту же базу, где данные приложения, — проще архитектура и последовательность.
Итоги
Сложные ИИ-агенты не требуют огромных облачных бюджетов. Экосистема Docker предлагает надежные инструменты, идеально работающие на обычном ноутбуке разработчика.
Эти пять контейнеров дают:
- Мозги: Ollama для локального вывода
- Память: Qdrant для векторного поиска
- Руки: n8n для автоматизации workflow
- Глаза: Firecrawl для чтения веба
- Хранилище: PostgreSQL с pgvector для структурированных данных
Запустите контейнеры, настройте LangChain или CrewAI на localhost — и агенты заработают.