BettaFish Docker 部署完全指南：一键搭建你的专属舆情分析系统

BettaFish 是一个相当有意思的开源项目，它让舆情分析变得像聊天一样简单。你只需要提出分析需求，系统就会自动调动多个 AI 智能体去分析微博、小红书、抖音等 30+ 个主流平台的内容，最后生成一份专业的分析报告。

这个项目的名字很有意思——BettaFish（斗鱼），正如它的寓意”小而强大，无畏挑战”。今天我们就来看看如何用 Docker 快速部署这个强大的舆情分析系统。

想象一下，你只需要问一句”最近大家对新能源汽车怎么看？“，系统就能帮你分析全网的讨论，这种感觉是不是很酷？

🚀 核心优势

1. AI 驱动的全面监控：AI 爬虫集群 24/7 不间断运行，全面覆盖微博、小红书、抖音、快手等 10+ 国内外重点社交媒体平台
2. 超越 LLM 的复合分析引擎：集成 5 种专业设计的智能体和多种中间件模型
3. 强大的多模态能力：突破文本和图像限制，深度分析短视频内容
4. 智能体”论坛”协作机制：通过辩论主持人模式进行思维碰撞和辩论
5. 公私域数据无缝融合：支持内部业务数据库与舆情数据的无缝集成
6. 轻量级高扩展框架：基于纯 Python 模块化设计，实现轻量级一键部署

🏗️ 系统架构

核心组件

• Insight Agent：私有数据库挖掘智能体
• Media Agent：多模态内容分析智能体
• Query Agent：精准信息搜索智能体
• Report Agent：智能报告生成智能体
• Forum Engine：论坛协作引擎

完整分析工作流程

步骤	阶段名称	主要操作	参与组件	循环性质
1	用户查询	Flask 主应用接收查询	Flask 主应用	-
2	并行启动	三个智能体同时开始工作	Query Agent, Media Agent, Insight Agent	-
3	初步分析	各智能体使用专用工具进行概览搜索	各智能体 + 专用工具集	-
4	策略制定	根据初步结果制定分段研究策略	各智能体内部决策模块	-
5-N	迭代阶段	论坛协作 + 深度研究	ForumEngine + 所有智能体	多轮循环
N+1	结果整合	Report Agent 收集所有分析结果	Report Agent	-
N+2	报告生成	动态选择模板和风格，多轮生成最终报告	Report Agent + 模板引擎	-

🐳 Docker 快速部署

系统要求

• 操作系统：Windows、Linux、MacOS
• Docker：Docker 20.10+ 和 Docker Compose
• 内存：推荐 4GB+
• 存储空间：至少 10GB 可用空间

1. 获取项目代码

# 克隆项目仓库
git clone https://github.com/666ghj/BettaFish.git
cd BettaFish

2. 环境配置

2.1 复制配置文件

# 复制环境配置文件
cp .env.example .env

2.2 编辑配置文件

编辑 .env 文件，配置以下关键参数：

# ====================== 数据库配置 ======================
# 数据库主机（Docker 环境中使用服务名）
DB_HOST=db
# 数据库端口
DB_PORT=5432
# 数据库用户名
DB_USER=bettafish
# 数据库密码
DB_PASSWORD=bettafish
# 数据库名称
DB_NAME=bettafish
# 数据库类型
DB_DIALECT=postgresql

# ====================== LLM 配置 ======================
# Insight Agent LLM 配置
INSIGHT_ENGINE_API_KEY=your_api_key_here
INSIGHT_ENGINE_BASE_URL=https://api.openai.com/v1
INSIGHT_ENGINE_MODEL_NAME=gpt-3.5-turbo

# Query Agent LLM 配置
QUERY_ENGINE_API_KEY=your_api_key_here
QUERY_ENGINE_BASE_URL=https://api.openai.com/v1
QUERY_ENGINE_MODEL_NAME=gpt-3.5-turbo

# Media Agent LLM 配置
MEDIA_ENGINE_API_KEY=your_api_key_here
MEDIA_ENGINE_BASE_URL=https://api.openai.com/v1
MEDIA_ENGINE_MODEL_NAME=gpt-4-vision-preview

# Report Agent LLM 配置
REPORT_ENGINE_API_KEY=your_api_key_here
REPORT_ENGINE_BASE_URL=https://api.openai.com/v1
REPORT_ENGINE_MODEL_NAME=gpt-4

# Forum Host LLM 配置
FORUM_HOST_API_KEY=your_api_key_here
FORUM_HOST_BASE_URL=https://api.openai.com/v1
FORUM_HOST_MODEL_NAME=gpt-3.5-turbo

# ====================== 搜索引擎配置 ======================
# Serper API Key（用于网络搜索）
SERPER_API_KEY=your_serper_api_key

# ====================== 其他配置 ======================
# Flask 应用密钥
FLASK_SECRET_KEY=your_secret_key_here
# 日志级别
LOG_LEVEL=INFO

3. 启动服务

3.1 后台启动所有服务

# 启动所有服务（后台运行）
docker compose up -d

3.2 查看服务状态

# 查看服务运行状态
docker compose ps

# 查看服务日志
docker compose logs -f

# 查看特定服务日志
docker compose logs -f app
docker compose logs -f db

4. 访问应用

服务启动成功后，可以通过以下地址访问：

• 主应用界面：http://localhost:5000
• 数据库管理：PostgreSQL 运行在 localhost:5432

⚙️ 详细配置说明

数据库配置

系统支持 PostgreSQL（推荐）和 MySQL 数据库：

配置项	Docker 环境值	说明
DB_HOST	db	数据库服务名（在 docker-compose.yml 中定义）
DB_PORT	5432	PostgreSQL 默认端口
DB_USER	bettafish	数据库用户名
DB_PASSWORD	bettafish	数据库密码
DB_NAME	bettafish	数据库名称
其他	保持默认	其他参数如数据库连接池设置请保持默认值

LLM 模型配置

系统所有 LLM 调用都使用 OpenAI API 接口标准。您可以使用：

1. OpenAI 官方 API
2. 兼容 OpenAI 格式的其他服务商（如 Azure OpenAI、Claude、国产大模型等）
3. 本地部署的模型（如 Ollama、vLLM 等）

推荐的 LLM API 服务商：

• aihubmix
• Azure OpenAI Service
• 阿里云通义千问
• 腾讯云混元

网络搜索配置

系统使用 Serper API 进行网络搜索，需要：

1. 注册 Serper 账号
2. 获取 API Key
3. 在 .env 文件中配置 SERPER_API_KEY

🎯 使用指南

基本使用流程

1. 访问主界面：打开 http://localhost:5000
2. 输入分析需求：在对话框中输入您的舆情分析需求
3. 等待分析完成：系统会自动调用多个智能体进行分析
4. 查看分析报告：系统会生成详细的 HTML 格式分析报告

使用示例

示例 1：品牌舆情分析

请分析”华为手机”在最近一周的网络舆情，包括用户评价、热点话题和情感倾向

示例 2：热点事件分析

分析”人工智能发展”相关的最新讨论，重点关注技术趋势和公众态度

示例 3：竞品对比分析

对比分析”特斯拉”和”比亚迪”在电动汽车领域的品牌声誉和用户反馈

高级功能

1. 单独使用各个智能体

# 启动 Query Engine（搜索智能体）
docker compose exec app streamlit run SingleEngineApp/query_engine_streamlit_app.py --server.port 8503

# 启动 Media Engine（多媒体分析智能体）
docker compose exec app streamlit run SingleEngineApp/media_engine_streamlit_app.py --server.port 8502

# 启动 Insight Engine（洞察分析智能体）
docker compose exec app streamlit run SingleEngineApp/insight_engine_streamlit_app.py --server.port 8501

2. 爬虫系统独立使用

# 进入容器
docker compose exec app bash

# 进入爬虫目录
cd MindSpider

# 项目初始化
python main.py --setup

# 运行话题提取
python main.py --broad-topic

# 运行完整爬虫工作流
python main.py --complete --date 2024-01-20

# 仅运行深度爬取
python main.py --deep-sentiment --platforms xhs dy wb

🔧 故障排除

常见问题

1. 容器启动失败

问题：docker compose up -d 失败

解决方案：

# 检查 Docker 服务状态
docker --version
docker compose --version

# 清理旧容器和镜像
docker compose down
docker system prune -f

# 重新构建并启动
docker compose up -d --build

2. 数据库连接失败

问题：应用无法连接到数据库

解决方案：

# 检查数据库容器状态
docker compose logs db

# 检查数据库配置
cat .env | grep DB_

# 重启数据库服务
docker compose restart db

3. LLM API 调用失败

问题：智能体无法调用 LLM API

解决方案：

1. 检查 API Key 是否正确配置
2. 验证网络连接和 API 服务可用性
3. 检查 API 配额和限制

# 查看应用日志
docker compose logs app | grep -i error

# 测试 API 连接
curl -H "Authorization: Bearer YOUR_API_KEY" \
     -H "Content-Type: application/json" \
     -d '{"model":"gpt-3.5-turbo","messages":[{"role":"user","content":"Hello"}]}' \
     https://api.openai.com/v1/chat/completions

4. 端口冲突

问题：端口 5000 被占用

解决方案：

# 查找占用端口的进程
netstat -tulpn | grep :5000

# 修改 docker-compose.yml 中的端口映射
# 将 "5000:5000" 改为 "5001:5000"

# 重新启动服务
docker compose down
docker compose up -d

5. 内存不足

问题：系统运行缓慢或崩溃

解决方案：

# 检查系统资源使用情况
docker stats

# 增加 Docker 内存限制
# 在 docker-compose.yml 中添加：
# deploy:
#   resources:
#     limits:
#       memory: 4G

# 清理不使用的 Docker 资源
docker system prune -f
docker volume prune -f

性能优化

1. 数据库优化

# 进入数据库容器
docker compose exec db psql -U bettafish -d bettafish

-- 创建索引优化查询性能
CREATE INDEX IF NOT EXISTS idx_content_created_at ON content(created_at);
CREATE INDEX IF NOT EXISTS idx_content_platform ON content(platform);

2. 应用优化

在 .env 文件中调整以下参数：

# 减少并发请求数量
MAX_CONCURRENT_REQUESTS=5

# 调整超时时间
REQUEST_TIMEOUT=30

# 启用缓存
ENABLE_CACHE=true
CACHE_TTL=3600

📊 监控和维护

日志管理

# 查看所有服务日志
docker compose logs

# 实时查看日志
docker compose logs -f

# 查看特定时间范围的日志
docker compose logs --since="2024-01-01T00:00:00" --until="2024-01-02T00:00:00"

# 将日志保存到文件
docker compose logs > bettafish.log

数据备份

# 备份 PostgreSQL 数据库
docker compose exec db pg_dump -U bettafish bettafish > backup_$(date +%Y%m%d_%H%M%S).sql

# 恢复数据库
docker compose exec -T db psql -U bettafish bettafish < backup_20240101_120000.sql

系统更新

# 拉取最新代码
git pull origin main

# 重新构建并启动服务
docker compose down
docker compose up -d --build

# 清理旧镜像
docker image prune -f

🤝 社区和支持

获取帮助

• GitHub Issues：https://github.com/666ghj/BettaFish/issues

注意：本指南基于 BettaFish 项目的当前版本编写，随着项目的更新，部分配置和使用方法可能会有所变化。建议定期查看项目的官方文档以获取最新信息。