企业官网建设流程全解析

• 教育
• 人工智能
• 深度学习

Pyre Code是一个自托管的 ML 编码练习平台，内置 76 道从 ReLU 到 flow matching 的 PyTorch 实现题，浏览器内编写、本地判题、秒级反馈。本文带你用setup.sh 一键安装、conda 手动部署、Docker Compose 容器化部署三种方式快速搭建，并附完整对比，帮你 5 分钟内跑起自己的判题环境。

部署前先看：Pyre Code 的架构与端口

部署 Pyre Code 前，先了解它由哪几部分组成，遇到问题时才知道往哪里查：

环境要求只有两条：

• Python3.11+
• Node.js18+

后端依赖包括fastapi、uvicorn、torch等，见 pyproject.toml。全程无需 GPU，判题引擎在 CPU 上即可完成所有测试。

方式一：setup.sh 一键安装（推荐）

适合 macOS / Linux 新手，一条脚本完成建环境、装依赖，setup.sh 的完整流程是：

1. 检测系统是否安装了uv，有则优先用uv创建.venv并安装依赖，否则回退到python3 -m venv
2. 安装 Node 前端依赖（npm ci）
3. 打印启动命令npm run dev

git clone https://gitcode.com/gh_mirrors/py/pyre-code cd pyre-code ./setup.sh npm run dev

跑起来后访问http://localhost:3000，评测服务在http://localhost:8000。

Windows 用户：仓库同样提供了两个对应脚本，setup.ps1（PowerShell）和 setup.bat（CMD），逻辑与setup.sh完全一致：

# PowerShell .\setup.ps1 npm run dev

💡 一个容易忽略的细节：启动脚本会优先查找项目内的.venv来运行 Python，找不到才回退到当前 shell 的python。这一逻辑在 scripts/run-python.js 中实现，也是报错 "Python environment not found" 时的排查入口。

方式二：conda 手动部署

如果你已经用 conda 管理 Python 环境（常见于数据科学场景），可以跳过 venv 直接复用 conda，四步完成：

git clone https://gitcode.com/gh_mirrors/py/pyre-code cd pyre-code conda create -n pyre python=3.11 -y && conda activate pyre pip install -e ".[dev]" npm install npm run dev

⚠️ 注意两点：

• -e ".[dev]"会以可编辑模式安装判题引擎及pytest等开发依赖，改题目代码后无需重装
• npm run dev前必须保证 conda 环境已激活，否则启动器找不到正确的 Python

方式三：Docker Compose 容器化部署

零 Python、零 Node 依赖，一条命令起服务，最适合服务器或想彻底隔离环境的用户：

git clone https://gitcode.com/gh_mirrors/py/pyre-code cd pyre-code docker compose up --build

docker-compose.yml 定义了grading与web两个服务，值得关注的几个设计：

• 健康检查：grading容器通过/health接口探活，web会等评测服务健康后才启动，避免端口起来了却连不上后端的窗口期
• 资源限制：grading容器限制为 3 核 CPU、4G 内存，防止判题任务打满机器
• 数据持久化：进度存在pyre-data命名卷中，重建容器不丢数据；执行docker compose down -v可彻底重置
• CPU 版 PyTorch：grading.Dockerfile 特意安装 CPU-only 版 torch，镜像体积从约 2GB 降到约 200MB
• 前端多阶段构建：web.Dockerfile 采用 deps → build → production 三阶段，最终以非 root 用户运行 Next.js

构建完成后打开http://localhost:3000即可使用。

三种方式怎么选？对比一览表

选择建议：本地学习选setup.sh；已有 conda 环境且希望统一管理选conda；部署到服务器或想保证团队环境一致选Docker Compose。

部署验证与常见问题

部署完成后建议做三个验证：

1. 浏览器打开http://localhost:3000，能看到题目列表
2. 访问http://localhost:8000/health，评测服务返回正常
3. 任选一道基础题（如 ReLU）提交代码，能秒级看到逐条测试用例的通过/失败结果

常见问题排查：

可选：启用 AI 辅助（AI Help）。复制 web/.env.example 为web/.env，填入AI_HELP_BASE_URL、AI_HELP_API_KEY、AI_HELP_MODEL三个变量即可接入任意 OpenAI 兼容接口；不配置也不影响核心判题功能，用户仍可在页面内自行填写 API key。

总结

Pyre Code 的部署门槛很低：三条路线都能覆盖——

• 🚀setup.sh / setup.ps1：本机练习首选，一键就绪
• 🐍conda：无缝融入现有 Python 工作流
• 🐳Docker Compose：服务器部署与团队协作的最稳方案

搭好环境后，建议从Fundamentals分类的 ReLU、Softmax 开始热身，再沿「Transformer 内部机制 → 从零训练 GPT」的学习路径推进，完整题目与路径说明可查阅 README_CN.md。

• 教育
• 人工智能
• 深度学习