1. 项目背景业务场景某公司的AI平台在单机上跑了三个月，一切看似稳定。直到运维老李收到新任务：“把AI服务迁移到新的GPU服务器上，同时要能快速在测试环境复现生产问题。”老李开始手动迁移：装系统依赖→装CUDA驱动→装Ollama→复制模型文件→配置环境变量→启动服务。整个过程花了4个小时，中间CUDA版本不对重装了两次，模型文件拷贝因为断网重传了一次。更崩溃的是，第二周又买了一台GPU服务器——老李又得重复一遍。而且每次迁移后，生产环境和测试环境总有微妙的差异——"在我机器上没问题"成了新的口头禅。CTO拍板：“用Docker。一键部署，环境一致，版本可控。”痛点环境差异噩梦：不同的CUDA版本、Python版本、系统库版本导致"在我的机器上可以跑"。迁移成本高：每次扩容/换机器需要手动配置所有依赖。模型文件分散：模型在各自机器的~/.ollama目录里，无统一管理。多服务编排复杂：AI平台不只是Ollama，还有网关、向量库、监控——单独启动太麻烦。版本回滚难：Ollama升级后出问题，没有镜像快照，回退需要手动操作。一句话总结：容器化不是"会不会"的问题，而是"什么时候必须做"的问题——当服务