ai-cloud-station 是一套面向全球协作团队的 AI 云端开发环境一键部署解决方案。通过 Docker 容器化技术，将顶级 AI 编码工具（如 Claude Code、Gemini CLI、OpenAI Codex、Devin 等）和现代开发环境集成在一起，帮助团队成员无论身处何地，都能安全、稳定、高效地使用最强 AI 编码能力。

• Python 3.12 系统级集成: 使用系统级 Python 3.12，python 命令直接指向 python3，Poetry 和 uv 预装，环境更加简洁稳定。
• 主机网络模式: 容器与主机共享网络命名空间，可直接暴露任意端口，支持 WebSocket、HTTP 等所有协议的透传访问。
• 灵活资源控制: 支持通过 --cpu 和 --memory 参数精确控制容器资源，不指定时默认不限制。
• 便捷别名: 内置 yolo (Claude) 和 gyolo (Gemini) 别名，一键启用 AI 全自动执行模式。

• 极致易用：一键部署，5 分钟内为每位成员分配专属 AI 云端开发环境。
• 全球可用：突破地域和网络限制，团队成员可随时随地访问。
• 安全合规：代码、AI 认证集中在云端，避免本地泄露和账号风控。
• 高效协作：新成员入职无需复杂配置，环境标准化，极大提升团队效率。
• 开源透明：所有脚本、配置、流程均开源，便于自定义和二次开发。

• 跨国/远程/分布式开发团队
• 需要统一 AI 编码环境的企业/创业公司
• 个人开发者希望体验 AI 3.0 时代的云端开发
• 教育/培训/编程教学场景

git clone https://github.com/shareAI-Lab/ai-cloud-station.git
cd ai-cloud-station

sudo docker build -t ai-dev-env:latest .

chmod +x deploy_user.sh

# 基础用法
./deploy_user.sh 用户名 端口基数

# 指定资源限制
./deploy_user.sh 用户名 端口基数 --cpu 16 --memory 128g

# 示例
./deploy_user.sh xinlu 10                      # 端口: 1022(SSH), 1080(VS Code), 1081(VNC)
./deploy_user.sh alice 20 --cpu 2              # 端口: 2022, 2080, 2081, 限制2核CPU
./deploy_user.sh bob 30 --memory 8g            # 端口: 3022, 3080, 3081, 限制8GB内存

• 端口基数：两位数字，用于生成唯一端口号，避免容器间冲突
• 脚本会自动生成随机密码、初始化持久化目录、同步AI认证
• 容器使用主机网络模式，服务通过环境变量配置端口
• 不指定资源限制时，容器可使用主机全部资源
• 脚本执行成功后，会输出所有访问方式和凭证

chmod +x resync_auth.sh
./resync_auth.sh

容器使用主机网络模式，服务端口基于端口基数分配：

假设端口基数为 XX，则服务端口为：

• SSH 终端: ssh dev@YOUR_SERVER_IP -p XX22
• VS Code Web: http://YOUR_SERVER_IP:XX80
• noVNC 桌面: http://YOUR_SERVER_IP:XX81
• VNC 原生端口: 59XX (供VNC客户端直连)

示例（端口基数=10）：

• SSH: 端口 1022
• VS Code: 端口 1080
• noVNC: 端口 1081
• VNC: 端口 5910

密码见脚本输出，所有服务使用相同密码。

• 主机网络模式: 容器使用 --network host 模式，可以暴露任意端口，支持 WebSocket、HTTP 等所有协议直接访问。
• 端口分配: 通过端口基数机制自动分配不冲突的端口：
  • 建议为每个用户分配不同的端口基数（10、20、30...）
  • 端口计算规则：基数+服务端口后缀（如基数10：1022、1080、1081）
• 资源限制: 通过 --cpu 和 --memory 参数控制资源使用，不指定时默认不限制。

  ./deploy_user.sh user1 10 --cpu 2 --memory 8g    # 端口10xx，限制2核CPU，8GB内存
  ./deploy_user.sh user2 20                        # 端口20xx，不限制资源
  

• 支持批量部署、批量认证同步，适合 10-50 人团队。

• 所有用户代码、AI 配置均挂载到主机 /srv/user-data/用户名，容器重建不丢数据。
• 建议定期使用 cron 任务自动备份 /srv/user-data/ 目录到云存储或 NAS，防止意外丢失。

• Claude 认证并非永久有效，管理员可在主机上重新登录后，运行 resync_auth.sh 一键同步所有用户认证，无需重启容器。
• 支持一键批量同步，极大降低维护成本。

• 建议仅开放必要端口，使用防火墙（如 ufw）限制访问来源。
• 推荐为 VS Code Web、noVNC 配置 HTTPS 访问，提升安全性。
• 支持 SSH 密钥认证，进一步提升安全等级。
• 所有认证配置均以只读方式挂载，防止泄露和篡改。

• 镜像分层优化，减少构建时间和体积。
• 支持自定义 npm/pip 镜像源，加速依赖安装。
• 推荐定期更新基础镜像和工具，及时打安全补丁。
• 可通过 docker stats、df -h 等命令监控资源使用和健康状态。

Q1：如何批量为团队成员分配环境？
A：可编写简单的 shell 脚本循环调用 deploy_user.sh，或结合 CI/CD 工具实现自动化。

Q2：Claude 认证失效怎么办？
A：管理员在主机上重新登录 Claude 后，运行 resync_auth.sh 即可一键同步，无需重启容器。

Q3：如何实现 HTTPS/子域名访问？
A：推荐在主机部署 Nginx/Traefik 反向代理，为每位成员分配独立子域名并配置 SSL 证书。

Q4：如何扩展更多 AI 工具或自定义开发环境？
A：可直接修改 Dockerfile，添加所需依赖和工具，重建镜像即可。

Q5：多个容器使用主机网络模式时端口冲突怎么办？
A：项目已通过端口基数机制解决此问题。每个用户使用不同的端口基数（如10、20、30），容器会自动使用对应的端口范围，避免冲突。

Q6：如何使用 Python 环境？
A：容器使用系统级 Python 3.12，python 命令已指向 python3。预装了 pip、poetry 和 uv 包管理器，支持虚拟环境创建。

Q7：容器内服务如何被外部访问？
A：由于使用主机网络模式，容器内启动的任何服务都可以通过主机 IP 直接访问，无需额外的端口映射配置。

Q8：如何使用 AI 助手工具？
A：容器预装了多个AI助手和快捷别名：

• yolo - Claude全自动执行模式（等价于 claude --dangerously-skip-permissions）
• gyolo - Gemini全自动执行模式（等价于 gemini --yolo）
• gemini - Google Gemini交互式AI助手，支持最多60次/分钟，1000次/天的免费请求

• 最适合：小型技术团队、重视开发环境标准化、需要快速扩展的企业/创业公司。
• 不推荐：完全离线环境、对云端数据有极高敏感要求的场景。

• 定期监控容器 CPU/内存、磁盘使用、Claude API 状态。
• 建议每月更新镜像、工具和安全补丁。
• 支持日志审计，可通过 docker run --log-driver=syslog ... 启用。

"以前用 Claude Code断断续续，现在丝滑得很，重构大型组件再也不怕了。" —— 前端开发 "统一环境确实省心，新人入职直接给账号就能干活，不用再折腾各种配置。" —— 后端架构师 "团队开发效率明显提升，大家的代码质量也更一致了。" —— 项目经理

• 欢迎 Star、Fork、提 Issue、提 PR！
• 如需定制化部署、AI 账号代开、企业级支持、垂直场景Manus开发，欢迎联系 ShareAI 团队

---

让 AI 赋能每一位开发者，让协作无国界。

---

如需更详细的技术原理、架构设计、实战经验和优化建议，欢迎查阅代码或 Issues 区交流、微信交流。
ai-lab@foxmail.com