《FDE前沿部署工程师实战教程》05 - FDE软件工程基础：API、数据库、Docker与Cloud

原创于 2026-09-02 13:01:47 发布 · 289 阅读

5 ·

本内容遵循CC 4.0 BY-SA版权协议

GEO检测

收录于

FDE前沿部署工程师实战教程

FDE的核心能力，不只是“会使用AI”，而是能够把AI真正连接到企业系统，并最终部署到真实业务环境中。

如果把一个企业AI应用看成一座建筑，那么LLM、RAG、Agent是上层能力，而API、数据库、Docker、Cloud就是支撑整个应用运行的基础设施。

本篇将从FDE实际项目出发，系统介绍四项必须掌握的软件工程基础能力：

API → 数据库 → Docker → Cloud

最终构建出一个能够运行、能够集成、能够部署的企业AI应用基础环境。

一、为什么FDE必须具备软件工程能力？

很多人第一次学习FDE，会把重点全部放在：

LLM
RAG
Agent
Prompt
MCP

这些当然重要。

但如果只有AI能力，没有软件工程能力，最终很容易停留在：

Demo阶段。

例如：

你可以让ChatGPT回答：

“请帮我分析库存。”

但是企业真正需要的是：

这时候问题就出现了：

WMS怎么连接？
API怎么调用？
数据从哪里来？
权限怎么控制？
Agent怎么部署？
服务怎么运行？
日志在哪里？
出问题怎么排查？

这些问题已经不属于单纯的Prompt Engineering。

而属于：

Software Engineering。

二、FDE的软件工程能力地图

FDE不需要成为传统意义上的全栈工程师，但至少应该具备以下能力：

本篇重点掌握：

API
DB
Docker
Cloud

三、第一项基础能力：API

API可以理解为：

不同软件系统之间进行通信的接口。

企业AI项目中，API几乎无处不在。

例如：

AI Agent
    ↓
WMS API
    ↓
查询库存

或者：

AI Agent
    ↓
CRM API
    ↓
查询客户

或者：

AI Agent
    ↓
ERP API
    ↓
查询订单

因此：

API是AI进入企业业务系统的大门。

四、API到底是什么？

假设WMS提供：

GET /api/inventory

FDE发送请求：

GET /api/inventory?warehouse=WH01

系统返回：

{
  "warehouse": "WH01",
  "sku": "SKU001",
  "quantity": 1250
}

AI Agent拿到这些数据以后，就可以继续进行分析：

库存 = 1250

安全库存 = 1500

↓

库存低于安全库存

↓

生成补货建议

所以整个链路：

这就是FDE最常见的工作模式之一。

五、FDE必须掌握的HTTP基础

至少需要理解：

GET
POST
PUT
DELETE

分别对应不同类型的操作。

例如：

GET

查询数据：

GET /api/orders/10001

POST

创建数据：

POST /api/orders

PUT

修改数据：

PUT /api/orders/10001

DELETE

删除数据：

DELETE /api/orders/10001

六、JSON是FDE最常见的数据格式

企业API大量使用JSON。

例如：

{
  "orderId": "ORD20260902001",
  "customer": "ABC",
  "amount": 15800,
  "status": "SHIPPED"
}

FDE需要能够快速理解：

对象
数组
字符串
数字
布尔值
null

例如：

{
  "items": [
    {
      "sku": "SKU001",
      "quantity": 100
    },
    {
      "sku": "SKU002",
      "quantity": 200
    }
  ]
}

这已经是企业AI应用非常常见的数据结构。

七、API认证与权限

企业系统不会允许任何人直接访问。

常见认证方式包括：

API Key
Token
JWT
OAuth 2.0
SSO

例如：

Authorization: Bearer xxxxxxxxx

基本流程：

用户
 ↓
身份认证
 ↓
获取Token
 ↓
调用API
 ↓
权限检查
 ↓
返回数据

FDE必须意识到：

AI Agent拥有的工具权限，本质上就是企业系统权限。

因此不能简单地让Agent拥有全部权限。

八、AI Agent为什么特别需要API能力？

传统软件：

用户
 ↓
页面
 ↓
后端
 ↓
数据库

Agent时代：

用户
 ↓
Agent
 ↓
Tool
 ↓
API
 ↓
企业系统

Agent的Tool实际上可以理解成：

AI可以调用的软件能力。

例如：

get_customer()
get_order()
get_inventory()
create_ticket()
query_sales()

这些工具最终都可能通过API完成。

九、第二项基础能力：数据库

API解决：

系统之间怎么通信。

数据库解决：

数据存在哪里。

企业AI应用通常需要访问：

用户数据
订单数据
客户数据
库存数据
生产数据
知识数据
日志数据

因此FDE必须理解数据库。

十、关系型数据库

企业系统最常见的是关系型数据库。

例如：

MySQL
PostgreSQL
SQL Server
Oracle

对于FDE学习而言：

MySQL + PostgreSQL已经能够覆盖大量场景。

十一、数据库的基本结构

例如一个订单表：

orders

id
order_no
customer_id
amount
status
created_at

客户表：

customers

id
name
phone
level
created_at

两个表之间通过：

customer_id

建立关系。

十二、SQL是FDE必须掌握的语言

最基础：

SELECT *
FROM orders;

查询指定订单：

SELECT *
FROM orders
WHERE order_no = 'ORD001';

统计：

SELECT status, COUNT(*)
FROM orders
GROUP BY status;

关联：

SELECT
    o.order_no,
    c.name,
    o.amount
FROM orders o
JOIN customers c
    ON o.customer_id = c.id;

FDE不需要成为数据库专家。

但是必须能够：

看懂企业数据，并快速查询验证问题。

十三、为什么AI项目特别需要数据库能力？

因为企业AI真正需要的不是：

“网上的知识。”

而是：

企业自己的数据。

例如：

用户：

“分析这个客户过去一年的采购情况。”

LLM本身不知道企业内部数据。

需要：

用户
 ↓
Agent
 ↓
Tool
 ↓
CRM / ERP
 ↓
Database
 ↓
查询数据
 ↓
Agent
 ↓
分析

所以：

LLM
+
企业数据
=
企业AI价值

十四、Redis在FDE项目中的作用

除了MySQL和PostgreSQL，还需要了解Redis。

Redis常见用途：

1. 缓存

用户
 ↓
API
 ↓
Redis
 ↓
快速返回

2. Session

保存用户会话信息。

3. 分布式锁

用于控制并发。

4. 限流

防止AI API被大量请求。

5. 临时数据

例如Agent任务状态。

因此：

Redis是FDE需要掌握的第二类基础数据库能力。

十五、企业AI中的数据库架构

一个简单架构：

这里出现三类数据：

MySQL
业务结构化数据

Redis
高速临时数据

Vector DB
语义检索数据

这三者共同组成AI应用的数据基础。

十六、第三项基础能力：Docker

当FDE开发完成一个应用以后：

怎么让它在客户环境运行？

传统方式可能需要：

安装Python
安装Java
安装Node
安装数据库
安装Redis
安装各种依赖
修改配置

非常麻烦。

Docker解决的问题就是：

把应用及其运行环境一起打包。

十七、什么是Docker？

可以简单理解为：

应用
+
运行环境
+
依赖
+
配置

一起放进：

Container（容器）

例如：

┌─────────────────────┐
│ AI Agent Container  │
│                     │
│ Python              │
│ Dependencies        │
│ Application         │
└─────────────────────┘

这样可以大幅降低：

“在我电脑上能运行，到客户电脑就不能运行。”

的问题。

十八、Docker在FDE项目中的典型架构

一个简单企业AI项目：

Docker Host
│
├── ai-agent
│
├── api-service
│
├── mysql
│
├── redis
│
└── vector-db

例如：

这已经是一个可以运行的AI应用基础架构。

十九、Dockerfile

一个简单的Python应用可以通过Dockerfile定义环境。

例如：

FROM python:3.12

WORKDIR /app

COPY requirements.txt .

RUN pip install -r requirements.txt

COPY . .

CMD ["python", "app.py"]

然后构建：

docker build -t ai-agent .

运行：

docker run -p 8000:8000 ai-agent

FDE不一定需要每天编写复杂Dockerfile。

但必须能够：

看懂、修改和运行Docker配置。

二十、Docker Compose

如果项目有多个服务：

AI Agent
MySQL
Redis
Vector DB

一个个启动非常麻烦。

Docker Compose可以统一管理。

例如：

services:

  ai-agent:
    build: .
    ports:
      - "8000:8000"

  mysql:
    image: mysql:8

  redis:
    image: redis:7

执行：

docker compose up -d

整个环境就可以启动。

这非常适合：

FDE快速Prototype和PoC。

二十一、为什么Docker对FDE特别重要？

因为FDE强调：

快速验证。

客户提出一个问题：

如果每次部署环境都需要几天：

FDE的速度优势就会消失。

Docker可以帮助FDE快速：

开发
 ↓
打包
 ↓
部署
 ↓
验证

二十二、第四项基础能力：Cloud

当Prototype验证成功以后：

下一步就是生产环境。

这时候需要了解Cloud。

云平台本质上提供：

计算
存储
网络
数据库
安全
监控

二十三、FDE需要掌握到什么程度？

这里需要特别说明：

FDE：

不一定需要成为云计算专家。

但至少需要理解：

VM
Container
Load Balancer
Object Storage
Managed Database
Network
DNS
IAM
Monitoring

能够判断：

这个AI应用应该部署在哪里？

二十四、从本地到生产环境

一个典型演进过程：

第一阶段：本地开发

Laptop
 ↓
Python
 ↓
AI Agent

第二阶段：Docker

Docker
 ↓
AI Agent
 ↓
MySQL
 ↓
Redis

第三阶段：服务器

Cloud VM
 ↓
Docker Compose
 ↓
AI Application

第四阶段：生产平台

Load Balancer
        ↓
Application
   ┌────┼────┐
   ↓    ↓    ↓
 App1 App2 App3
        ↓
   Database
        ↓
    Redis
        ↓
   Vector DB

这就是FDE从Prototype走向Production的过程。

二十五、FDE必须理解的部署环境

至少要理解三种环境：

Development
开发环境

Testing
测试环境

Production
生产环境

典型流程：

Development
      ↓
Testing
      ↓
Staging
      ↓
Production

不能直接：

在生产环境里测试代码。

二十六、环境配置管理

AI应用中通常存在：

API_KEY
DATABASE_URL
REDIS_URL
MODEL_NAME
VECTOR_DB_URL

这些不能直接写死在代码里。

应该通过：

Environment Variables

管理。

例如：

LLM_API_KEY=xxxx
DATABASE_URL=xxxx
REDIS_URL=xxxx

这样可以做到：

开发环境
 ↓
一套配置

测试环境
 ↓
另一套配置

生产环境
 ↓
生产配置

二十七、FDE必须理解日志

系统上线以后：

出问题怎么办？

第一工具通常就是：

日志。

例如：

2026-09-02 08:30:12
INFO Agent started

2026-09-02 08:31:20
INFO Calling WMS API

2026-09-02 08:31:21
ERROR WMS API timeout

FDE应该能够通过日志快速判断：

是AI问题？

还是API问题？

还是数据库问题？

还是网络问题？

还是部署问题？

二十八、监控能力

生产环境还需要监控：

CPU
Memory
Disk
Network
API latency
Error rate
Token usage
LLM cost
Agent success rate

AI应用尤其需要关注：

Token成本。

因为传统软件：

请求一次
成本通常比较固定

AI应用：

请求
 ↓
LLM
 ↓
Token
 ↓
成本

如果Agent调用多个工具：

用户
 ↓
Agent
 ↓
LLM
 ↓
Tool
 ↓
LLM
 ↓
Tool
 ↓
LLM

Token消耗可能快速增长。

二十九、一个完整的FDE技术架构

到这里，我们可以把前面的内容组合起来。

部署层：

这就是一个典型的企业AI应用基础架构。

三十、FDE真实项目案例

假设客户提出：

“我们希望通过AI降低仓库人员查询库存的工作量。”

第一步：发现问题

FDE调研：

问题：

查询流程复杂，重复操作多。

三十一、第二步：设计方案

FDE提出：

三十二、第三步：Prototype

第一版甚至不需要完整UI。

可以：

例如用户：

“查询WH01中SKU001的库存。”

Agent：

调用：
get_inventory(
    warehouse="WH01",
    sku="SKU001"
)

SKU001
当前库存：1250
安全库存：1500
库存状态：偏低

三十三、第四步：连接真实WMS

Prototype验证成功以后：

Mock API
   ↓
真实WMS API

例如：

这一步就是FDE真正的：

系统集成能力。

三十四、第五步：Docker部署

最终：

Docker Host

├── Nginx
├── AI Agent
├── API Service
├── Redis
└── Monitoring

如果需要：

Vector DB

也可以加入。

三十五、第六步：生产部署

最终进入：

Cloud / On-Premise
        ↓
Production
        ↓
真实用户
        ↓
真实业务

然后开始收集：

用户使用量
问题类型
响应时间
成功率
错误率
节省时间

三十六、FDE的技术闭环

整个项目最终形成：

这就是为什么：

FDE不能只懂AI。

必须能够把AI放进真实的软件系统里。

三十七、FDE软件工程学习优先级

如果时间有限，可以按照这个顺序学习：

第一优先级

编程
 ↓
API
 ↓
SQL

第二优先级：

Docker
 ↓
Linux
 ↓
Redis

第三优先级：

Cloud
 ↓
CI/CD
 ↓
Monitoring

第四优先级：

Kubernetes
 ↓
Service Mesh
 ↓
Advanced Cloud

注意：

FDE不需要一开始就学习Kubernetes。

如果连API和数据库都不熟悉，直接学习K8s，收益并不高。

三十八、推荐的学习顺序

可以按照：

完成这条路线以后：

就具备了FDE的软件工程基础。

三十九、学习目标不是“学会工具”

例如学习Docker：

错误目标：

“我看完Docker课程了。”

正确目标：

“我可以把一个AI Agent打包成Docker镜像，并通过Docker Compose启动完整环境。”

学习API：

错误目标：

“我知道REST API是什么。”

正确目标：

“我可以连接客户的WMS API，并让Agent调用它。”

学习数据库：

错误目标：

“我会SQL。”

正确目标：

“我可以从企业数据库中找到解决业务问题所需要的数据。”

四十、FDE工程能力最终要达到什么程度？

可以定义一个简单标准：

Level 1

能调用API
能查询数据库
能运行Docker

Level 2

能开发API
能设计简单数据库
能Docker化应用

Level 3

能连接企业系统
能独立部署AI应用
能处理线上问题

Level 4

能设计企业AI架构
能解决复杂集成问题
能负责生产环境

Level 5

能够构建可规模化复制的企业AI平台

四十一、本篇知识体系总结

本篇重点学习了四项能力：

API负责：

连接系统。

数据库负责：

连接数据。

Docker负责：

保证应用能够快速运行。

Cloud负责：

让应用进入生产环境。

而FDE需要把这四者和AI连接起来。

四十二、最终形成FDE技术底座

完整来看：

这套结构也可以作为整个FDE学习路线的技术底座。

四十三、下一篇：进入AI Engineering

软件工程基础建立以后，下一步就进入FDE最核心的技术体系：

《FDE前沿部署工程师实战教程》06 - AI Engineering基础：从LLM到RAG的完整技术体系

下一篇将正式开始学习AI Engineering，并从最底层开始：

重点不再停留在概念解释，而是开始结合FDE真实项目，逐步构建：

第一个企业级AI应用。

从下一篇开始，FDE系列将正式从“学习方法论”进入“AI工程实战”阶段。

标签

#软件工程 #数据库 #docker