# Docker + Ollama + Qwen3-Coder-Next 本地 AI 编程部署指南（2026 实践）

URL: https://caijiao.org/posts/51
Source: docs/posts/51.md
Description: 使用 Docker 容器化部署 Ollama 并运行 Qwen3-Coder-Next:cloud，结合 VS Code Continue 打造高效本地 AI 编程环境的完整教程。

在 2026 年的 AI 编程实践中，使用 **[Docker](/docker/)** 容器化部署 **Ollama** 并配合 **Qwen3-Coder-Next:cloud**，是目前最稳健、最易维护的本地 AI 编程方案。

Qwen3-Coder-Next 凭借其强大的 **Hybrid MoE 架构** 与 **256K 超长上下文**，已经成为本地开发者的首选模型。

本文将带你从零开始，构建完整的 AI 编程工作流。

## 一、环境准备

确保你的 [Linux](/linux/) 或开发系统已安装：

- Docker
- NVIDIA Container Toolkit（如使用 NVIDIA 显卡）

### 1. 安装 NVIDIA 容器工具包（Linux）

```bash
curl -fsSL https://nvidia.github.io/libnvidia-container/gpgkey \
| sudo gpg --dearmor -o /usr/share/keyrings/nvidia-container-toolkit-keyring.gpg

# 按官方文档完成后续安装并重启 Docker
````

安装完成后，确认 GPU 支持正常：

```bash
docker run --rm --gpus all nvidia/cuda:12.0-base nvidia-smi
```

## 二、编写 Docker Compose 配置

在项目目录创建 `docker-compose.yml`：

```yaml
services:
  ollama:
    image: ollama/ollama:latest
    container_name: ollama
    ports:
      - "11434:11434"
    volumes:
      - ./ollama_data:/root/.ollama
    environment:
      - OLLAMA_ORIGINS=*
      - OLLAMA_KEEP_ALIVE=24h
    deploy:
      resources:
        reservations:
          devices:
            - driver: nvidia
              count: 1
              capabilities: [gpu]
    restart: unless-stopped
```

### 启动容器

```bash
docker compose up -d
```

验证状态：

```bash
docker ps
```

## 三、下载 Qwen3-Coder-Next:cloud 模型

进入容器下载模型：

```bash
docker exec -it ollama ollama run qwen3-coder-next:cloud
```

下载完成后，你可以直接在终端测试：

```text
> 请帮我优化这段代码性能
```

退出交互：

```text
/exit
```

模型仍会常驻后台运行。

## 四、配置 VS Code + Continue

`Continue` 是目前与 Ollama 集成度最高的 IDE 插件之一。

### 1. 安装插件

在 VS Code 扩展市场搜索：

```
Continue
```

并安装。

### 2. 配置模型

打开 Continue → Settings → `config.json`，添加：

```json
{
  "models": [
    {
      "title": "Qwen3 Coder Cloud",
      "provider": "ollama",
      "model": "qwen3-coder-next:cloud",
      "apiBase": "http://localhost:11434",
      "contextLength": 128000
    }
  ],
  "tabAutocompleteModel": {
    "title": "Qwen3 Autocomplete",
    "provider": "ollama",
    "model": "qwen3-coder-next:cloud"
  }
}
```

> Qwen3 支持最高 256K 上下文，初期建议使用 128K 节省显存。

## 五、实战使用技巧

### 1. 全库对话（Codebase Context）

在 Continue 聊天框输入：

```text
@codebase
```

示例：

```text
@codebase 帮我优化项目整体架构
```

模型会分析整个代码仓库。

### 2. 代码补全（Autocomplete）

在编辑器中输入代码时：

- 显示灰色预测文本
- 按 `Tab` 接受

适合函数补全、模板生成。

### 3. 快速编辑（Inline Edit）

快捷键：

```
Ctrl + I / Cmd + I
```

示例：

```text
帮我将这段同步代码改为 async/await
```

会自动生成 Diff。

## 六、常见问题排查

### 1. 无法连接 Ollama

检查容器状态：

```bash
docker ps
```

检查端口：

```bash
netstat -an | grep 11434
```

### 2. 响应速度慢

原因：

- 上下文过大
- 显存不足
- MoE 长文本推理消耗高

解决方案：

```json
"contextLength": 64000
```

逐步调低测试。

### 3. 跨域错误

确保：

```yaml
OLLAMA_ORIGINS=*
```

已正确设置。

重启容器：

```bash
docker compose restart
```

## 七、推荐使用场景

该组合方案特别适合：

- 本地 AI 编程助手
- 私有代码库分析
- 企业内网开发环境
- Agent 自动化开发
- 长上下文项目维护

## 八、总结

通过：

- Docker 容器化隔离
- Ollama 本地推理
- Qwen3-Coder-Next 高质量编程能力
- Continue 深度 IDE 集成

你可以构建一个：

✅ 稳定
✅ 安全
✅ 高性能
✅ 可控成本

的本地 AI 编程环境。