1. 从“小龙虾”到桌面智能体：Crayfish 与 WorkBuddy 容器版的真实定位
很多人第一次看到 Crayfish，下意识会笑出声——“这不就是小龙虾吗？”
但当你真正把 Crayfish 容器镜像拉下来、跑起来、点开那个极简的 Web UI，再拖拽一个“读取 Excel 表格→提取关键字段→生成 Markdown 报告→自动存入指定文件夹”的流程时，你会突然意识到：这不是谐音梗营销，而是一次对“桌面自动化”底层范式的重写。Crayfish 是 WorkBuddy 的开源容器化实现分支，不是替代品，也不是简化版，它是把 WorkBuddy 原本依赖 Windows 服务、注册表注入、后台进程守护的整套运行时，彻底剥离操作系统绑定，重构为标准 OCI 容器生命周期管理的产物。它不依赖 .NET Framework 或 Windows 服务管理器，不写注册表，不驻留系统托盘，所有能力都通过docker run启动的独立容器提供，UI 通过本地端口暴露，数据默认落盘在挂载卷中，权限边界由容器命名空间天然隔离。
这个转变带来的第一个真实变化，是部署粒度从“整机级”降维到“进程级”。传统 RPA 工具（如 UiPath、Power Automate Desktop）安装即全局生效，一个机器人脚本出错可能拖垮整个系统托盘；而 Crayfish 容器可以按需启停，一个金融报表任务容器崩了，不影响你同时运行的另一个钉钉消息同步容器。第二个变化是环境可移植性——我在 Ubuntu 22.04 上用docker-compose up -d起的 Crayfish 实例，导出镜像后直接在 macOS M2 上docker load && docker-compose up，无需重装依赖、无需适配驱动、无需修改路径，连日志里打印的绝对路径都是容器内/app/data/，和宿主机/home/user/workbuddy-data完全解耦。第三个，也是最容易被忽略的，是调试友好性：RPA 脚本卡在“点击按钮”环节？你得开远程桌面、进 GUI 环境、查事件日志；而 Crayfish 容器里，docker logs -f crayfish-core直接输出结构化 JSON 日志，包含每个动作的耗时、返回码、截图 base64（可选）、甚至 LLM 调用的 token 消耗明细——所有信息都在终端里，不用切界面、不用等刷新、不用猜状态。
提示：Crayfish 不是“WorkBuddy 的 Linux 移植版”，而是“WorkBuddy 的容器原生实现”。它不兼容旧版 WorkBuddy 插件二进制，但兼容其 Skill DSL 语法；它不支持 Windows 托盘右键菜单，但支持通过
curl -X POST http://localhost:8000/api/v1/skill/run触发任意技能——这才是面向现代 DevOps 流水线的设计逻辑。
我最初接触 Crayfish 是因为客户提了一个看似简单的需求：“每天上午 9:15，自动从邮件附件下载最新销售数据 Excel，清洗后更新到企业微信多维表”。用传统 RPA 做，要配 Outlook 插件、处理 OAuth 令牌续期、模拟鼠标点击下载、再调用 Excel COM 对象——光是环境初始化就花了三天。换成 Crayfish 容器方案，我把整个流程拆成三个独立容器：crayfish-email-fetcher（监听 IMAP）、crayfish-data-cleaner（Python Pandas 处理）、crayfish-ww-table-sync（调用企微开放 API）。每个容器只做一件事，失败时只重启对应容器，日志分开看，配置单独改。上线后运维同学说：“以前 RPA 一挂，我们得打电话问厂商；现在 Crayfish 容器挂了，docker ps一眼看到哪个红了，docker restart就好，比重启浏览器还快。”
这背后的核心差异，不是功能多寡，而是运行时模型的根本不同：RPA 是“让机器模仿人操作界面”，Crayfish 是“让界面成为机器可编排的服务入口”。前者必须和 GUI 环境强耦合，后者把 GUI 操作抽象为标准化 API 调用。所以当你看到热词里反复出现“workbuddy启动非常慢”“workbuddy网络连接失败3002”，那本质是 Windows 服务加载、证书链验证、代理配置冲突等 OS 层问题；而 Crayfish 容器版把这些全部收编进Dockerfile的RUN指令里——证书预埋、DNS 固定、代理环境变量注入，一次构建，处处运行。
2. 容器运行时：为什么 Crayfish 必须跑在容器里，而不是直接二进制？
很多人问：“既然 Crayfish 功能和 WorkBuddy 类似，为什么不能打包成.deb或.exe直接安装？非得绕一圈用 Docker？” 这个问题直指 Crayfish 架构设计的底层动机。答案不是“为了时髦”，而是三个不可妥协的技术刚性需求：确定性依赖、进程隔离、声明式配置。我拿实际项目中的一个典型故障来说明——某银行客户部署 Crayfish 后，发现定时任务偶尔失败，错误日志显示ModuleNotFoundError: No module named 'openpyxl'，但pip list明明有。排查三天才发现，他们服务器上同时跑了两个 Python 项目：一个是 Crayfish 的技能插件（需要 openpyxl 3.1），另一个是内部风控系统（锁死 openpyxl 2.6）。系统 Python 环境被污染，而 Crayfish 技能执行时又没做虚拟环境隔离。
如果 Crayfish 是传统二进制，这个问题无解——你只能要求客户卸载冲突包，或手动维护多个 Python 版本。但容器版的解法极其干净：Dockerfile里明确写FROM python:3.11-slim，RUN pip install openpyxl==3.1.2 pandas==2.0.3，构建镜像时就把所有依赖固化进层。每次docker run启动的，都是一个全新的、纯净的、带完整依赖树的 rootfs。哪怕宿主机 Python 是 2.7，哪怕/usr/bin/python被删了，容器内python --version永远是 3.11，pip list | grep openpyxl永远是 3.1.2。这种确定性，是任何包管理器（apt、brew、pip）都无法提供的。
第二个刚性需求是进程隔离。Crayfish 的核心能力之一是“桌面 Agent”——它能调用系统命令、读写文件、控制浏览器、甚至调用摄像头。这些操作在传统桌面应用里风险极高：一个技能脚本写错rm -rf /，整个系统就没了；一个恶意插件偷偷上传用户文档，防不胜防。容器运行时通过 Linux namespace 和 cgroups 天然解决这个问题。我们给 Crayfish 容器加了这些限制：
# docker-compose.yml 片段 services: crayfish-core: image: crayfishio/crayfish:latest # 限制只能访问挂载卷，禁止访问宿主机根目录 volumes: - ./data:/app/data:rw - ./skills:/app/skills:ro # 禁止挂载其他路径，防止逃逸 read_only: true tmpfs: - /tmp:rw,size=100m # 限制 CPU 和内存，避免技能脚本无限循环拖垮宿主机 mem_limit: 2g cpus: "1.5" # 禁用危险能力 cap_drop: - ALL security_opt: - no-new-privileges:true实测下来，即使技能脚本里写了os.system("rm -rf /")，容器内报错Permission denied，宿主机毫发无损。更关键的是，Crayfish 的浏览器自动化模块（基于 Playwright）默认启用--no-sandbox模式，这在裸机上是高危配置，但在容器里，由于 PID namespace 隔离，沙箱缺失的影响范围仅限于容器内进程树，不会波及宿主机 Chrome 实例。
第三个刚性需求是声明式配置。传统 RPA 工具的配置散落在注册表、INI 文件、GUI 设置页里，备份恢复极其痛苦。而 Crayfish 容器版把所有配置收敛到docker-compose.yml和环境变量中。比如金融客户要求“所有技能执行前必须记录审计日志到指定 NFS 路径”，传统做法是改每个技能的 Python 代码，加logging.FileHandler('/nfs/audit.log')；Crayfish 方案只需在 compose 文件里加：
environment: - CRAYFISH_AUDIT_LOG_PATH=/nfs/audit.log - CRAYFISH_AUDIT_LOG_LEVEL=INFO volumes: - /mnt/nfs:/nfs:rw容器启动时自动注入环境变量，技能代码完全不用改——因为 Crayfish SDK 在初始化时就读取CRAYFISH_AUDIT_LOG_PATH并创建 handler。这种“配置即代码”的模式，让 CI/CD 流水线能自动测试不同环境配置（开发/测试/生产），也使得灰度发布成为可能：先起一个带新配置的容器实例，流量切 5%，没问题再滚动更新全部实例。
注意：Crayfish 容器版不等于“阉割版”。它完整支持 WorkBuddy 的 Skill DSL、本地记忆存储、LLM 调用链路、钉钉/企微/Webhook 集成。唯一不支持的是 Windows 特有 API（如 COM 组件、WMI 查询），但这恰恰是优势——它倒逼开发者用跨平台方式重写逻辑，比如用
pandas替代 Excel COM，用requests替代 WinHTTP。
3. 桌面 Agent 的本质：不是“自动化点击”，而是“可编程的桌面服务总线”
市面上绝大多数 RPA 教程，开篇必讲“如何录制鼠标键盘操作”。这是对自动化本质的严重误解。真正的桌面 Agent，不是让机器学人点哪点哪，而是把桌面环境本身变成一套可编程的服务总线——文件系统是存储服务，浏览器是渲染服务，邮件客户端是消息服务，钉钉是通知服务。Crayfish 的设计哲学，正是围绕这个总线模型展开。它不提供“录制回放”功能，但提供了一组标准化的 Service Adapter：file://协议读写文件，http://协议调用 Web API，email://协议收发邮件，wecom://协议操作企微。每个 Adapter 都封装了认证、重试、错误码映射、数据格式转换等细节，技能开发者只需关注业务逻辑。
举个具体例子：热词里高频出现的“workbuddy钉钉多维表定期同步”。传统 RPA 做法是模拟钉钉客户端操作：打开钉钉 → 切换到工作台 → 找到多维表 → 点击“导入” → 选择 Excel 文件 → 等待上传完成。这个流程脆弱得可怕：钉钉 UI 一升级，所有 selector 全失效；网络抖动一次，上传中断；Excel 格式稍有变化，解析失败。而 Crayfish 的解法是绕过 UI，直连钉钉开放平台 API。它的dingtalk://Adapter 内置了 OAuth2.0 令牌管理、API 限流控制、错误重试策略（指数退避）、以及多维表 schema 自动推导。技能代码只需写：
# skill_sync_sales.py from crayfish import service # 1. 从文件服务读取最新 Excel excel_data = service.read("file:///app/data/sales.xlsx") # 2. 清洗数据（Pandas） df = pd.read_excel(excel_data) df_clean = df[["日期", "销售额", "区域"]].dropna() # 3. 调用钉钉多维表 API 写入 service.write("dingtalk://multi-table/123456", data=df_clean.to_dict("records"))这段代码在任何 Crayfish 容器里都能运行，不依赖钉钉客户端是否安装、不关心钉钉版本号、不害怕 UI 变化。Adapter 层已经把钉钉 API 的复杂性（access_token 刷新、timestamp 签名、batch_size 分片）全部屏蔽掉。这才是桌面 Agent 的真实价值：它把“人肉操作界面”的不确定性，转化为“调用服务接口”的确定性。
再看另一个热词：“workbuddy如何设置访问文件夹范围”。传统 RPA 工具要么全盘扫描，要么让用户在 GUI 里勾选一堆路径，既不安全也不灵活。Crayfish 的解决方案是“挂载即授权”——你在docker-compose.yml里只挂载/home/user/documents/report/，那么技能代码里service.read("file:///app/data/")就只能读这个路径下的文件，service.write("file:///app/data/output/")也只能写到这个子目录。容器文件系统隔离天然实现了最小权限原则。更进一步，Crayfish 支持路径别名映射：
environment: - CRAYFISH_FILE_ALIAS_REPORTS=file:///app/data/reports/ - CRAYFISH_FILE_ALIAS_CONFIG=file:///app/config/技能代码里就可以写service.read("alias://REPORTS/monthly.xlsx")，完全解耦物理路径。当客户从本地 NAS 迁移到阿里云 OSS 时，只需改 environment 变量，技能代码一行不用动。
这种服务总线思维，还体现在 Crayfish 的本地记忆机制上。热词里有“workbuddy历史对话记录、本地记忆迁移”，很多人以为这只是聊天记录存储。实际上，Crayfish 的memory://是一个统一的状态管理服务，支持多种后端：SQLite（默认）、Redis（集群场景）、PostgreSQL（审计要求高）。技能可以这样使用：
# 记录本次执行的上下文 memory.set("sales_last_run_time", datetime.now().isoformat()) memory.set("sales_last_file_hash", hashlib.md5(data).hexdigest()) # 下次执行时检查是否重复 last_time = memory.get("sales_last_run_time") if last_time and (datetime.now() - datetime.fromisoformat(last_time)) < timedelta(hours=1): raise SkipExecution("1小时内已执行过")这个memory://服务不是简单的 key-value 存储，它支持 TTL（自动过期）、事务（memory.transaction()）、以及跨容器共享（当多个 Crayfish 实例共用 Redis 后端时）。这才是“桌面 Agent”该有的样子：它不模拟人，而是为人提供一套稳定、可靠、可组合的桌面服务原语。
4. 相对 RPA 的真实优势：不是更快，而是更可控、更可演进、更可协作
把 Crayfish 和传统 RPA 放在一起对比，很多人第一反应是“功能差不多，为什么要换？” 这就像问“为什么用 Git 而不用复制粘贴备份代码”。表面看都是“自动化”，但底层架构决定了长期演进成本。我用三个真实项目场景，说明 Crayfish 相对 RPA 的不可替代优势。
场景一：金融客户合规审计要求
某券商要求所有自动化流程必须满足：① 每次执行留完整审计日志（含输入参数、输出结果、执行者、时间戳）；② 日志留存 180 天且不可篡改；③ 流程变更需经双人复核。RPA 方案是开启内置审计日志，但日志格式不标准、无法对接 SIEM 系统、备份靠人工导出 ZIP。Crayfish 方案是：所有技能执行日志统一输出为 JSONL 格式（每行一个 JSON 对象），通过fluentd容器实时采集到 Elasticsearch；日志字段强制包含skill_id,run_id,user_id,input_hash,output_hash,timestamp；流程变更走 Git PR 流程，docker build时自动校验 DSL 语法并运行单元测试。上线后，合规部门用 Kibana 直接查询“过去 30 天所有涉及客户身份证号的操作”，5 秒出结果。RPA 方案做不到这点，因为它的日志是二进制 blob，没有结构化字段。
场景二：跨团队协作开发
一家电商公司有三支团队：运营团队写促销活动同步技能，技术团队写库存预警技能，数据团队写 BI 报表生成技能。RPA 方案下，大家共用一个中心化机器人，互相修改脚本容易冲突，版本回滚困难。Crayfish 方案是：每个团队维护自己的skills/目录，通过 Git Submodule 引入公共库（如crayfish-common-utils），CI 流水线自动构建crayfish-skill-promo:2024.06、crayfish-skill-inventory:1.2.0等镜像。生产环境用docker-compose.override.yml按需组合技能容器。当运营团队升级促销技能时，技术团队的库存预警容器完全不受影响——因为它们是独立进程、独立日志、独立配置。这种“技能即服务（Skill-as-a-Service）”模式，让自动化从 IT 部门的黑盒，变成了各业务线可自主迭代的乐高积木。
场景三：快速响应业务变化
热词里有“workbuddy启动非常慢”，根源是 Windows 服务加载大量 .NET 组件。某客户曾因这个原因，导致每日晨会报表延迟 20 分钟。换成 Crayfish 容器后，我们做了两件事：① 把报表生成技能拆分为“数据获取”、“数据计算”、“PDF 渲染”三个独立容器，每个容器启动时间 < 2 秒；② 用 Kubernetes Job 替代定时任务，报表触发时动态创建 Job，执行完自动销毁。结果是：晨会报表从“固定时间启动等待”变为“事件驱动即时生成”，平均耗时从 18 分钟降到 47 秒。更重要的是，当业务方提出“把报表发到企业微信+邮件+飞书三个渠道”，RPA 方案要重录三遍流程；Crayfish 方案只需在技能末尾加三行service.notify("wecom://...")、service.notify("email://...")、service.notify("feishu://...")，因为通知服务 Adapter 已预置好。
这些优势，归结为三个维度：
- 可控性：容器提供了进程、资源、网络、文件系统的四重隔离，让自动化行为可预测、可审计、可回滚；
- 可演进性：声明式配置 + Git 版本管理 + 容器镜像，让自动化流程像代码一样持续集成、持续交付；
- 可协作性：技能作为独立服务单元，支持团队自治、接口契约、异步通信，打破 RPA 的中心化单点瓶颈。
提示：不要把 Crayfish 当作“RPA 替代品”来用，而要当作“桌面微服务框架”来设计。它的价值不在单个技能多强大，而在整套运行时如何让技能之间、技能与业务系统之间、技能与运维体系之间，形成松耦合、高内聚的协作网络。
5. 实战部署：从零开始搭建 Crayfish 容器版工作台（Ubuntu 22.04 + Docker）
现在我们动手把 Crayfish 容器版跑起来。这不是“下载安装包点下一步”的傻瓜式教程，而是带你理解每个步骤背后的工程权衡。我以 Ubuntu 22.04 为例（这也是热词里高频出现的workbuddy ubuntu场景），全程使用官方镜像，不依赖第三方仓库。
第一步：基础环境准备（关键检查项）
先确认 Docker 版本不低于 24.0（Crayfish 依赖较新的 BuildKit 功能）：
$ docker --version Docker version 24.0.7, build afdd1dc $ sudo usermod -aG docker $USER # 加入 docker 组，避免每次 sudo $ newgrp docker # 刷新组权限注意：不要用 Snap 安装的 Docker，它和 AppArmor 冲突会导致 Crayfish 容器无法挂载 hostPath。务必用 Docker 官方 APT 仓库 安装。
第二步：创建项目目录结构
Crayfish 推荐的目录约定，直接影响后续可维护性：
$ mkdir -p ~/crayfish/{data,skills,config,logs} $ tree ~/crayfish /home/user/crayfish/ ├── config/ # 存放自定义配置文件（如 llm.yaml） ├── data/ # 技能运行时数据（Excel、PDF、截图等） ├── logs/ # 容器日志输出目录（便于 logrotate） └── skills/ # 所有技能 Python 文件（按功能分目录）这个结构不是随意定的，data/挂载到容器/app/data是 Crayfish SDK 的默认工作区；skills/挂载为只读，防止技能代码意外修改自身；config/用于覆盖默认配置，比如切换 LLM 后端。
第三步：编写 docker-compose.yml（核心配置）
这是 Crayfish 容器版的灵魂，我逐行解释关键配置：
# ~/crayfish/docker-compose.yml version: '3.8' services: crayfish-core: image: crayfishio/crayfish:latest container_name: crayfish-core restart: unless-stopped ports: - "8000:8000" # Web UI 端口 - "8001:8001" # API 端口（供 curl 调用） volumes: - ./data:/app/data:rw - ./skills:/app/skills:ro - ./config:/app/config:ro - ./logs:/app/logs:rw environment: - CRAYFISH_API_KEY=your_secure_api_key_here - CRAYFISH_LLM_PROVIDER=openai - CRAYFISH_OPENAI_API_KEY=sk-... - CRAYFISH_OPENAI_BASE_URL=https://api.openai.com/v1 - TZ=Asia/Shanghai mem_limit: 3g cpus: "2" # 关键安全配置 read_only: true tmpfs: - /tmp:rw,size=200m cap_drop: - ALL security_opt: - no-new-privileges:true # 健康检查，确保服务真正就绪 healthcheck: test: ["CMD", "curl", "-f", "http://localhost:8000/health"] interval: 30s timeout: 10s retries: 3这里有几个必须注意的细节：
restart: unless-stopped确保宿主机重启后自动拉起容器，但允许管理员主动docker stop控制；read_only: true配合volumes的rw/ro权限，实现最小权限；healthcheck不是摆设，Crayfish 的/health接口会检查数据库连接、LLM 连通性、技能加载状态，只有全部 OK 才返回 200；TZ=Asia/Shanghai解决热词里“workbuddy启动非常慢”的时区问题——很多技能依赖datetime.now()，宿主机时区不对会导致 cron 调度错乱。
第四步：启动并验证
$ cd ~/crayfish $ docker-compose up -d $ docker-compose logs -f crayfish-core # 查看启动日志正常日志应包含：
crayfish-core | INFO: Application startup complete. crayfish-core | INFO: Uvicorn running on http://0.0.0.0:8000 (Press CTRL+C to quit) crayfish-core | INFO: Started background task 'scheduler'然后访问http://localhost:8000，你应该看到 Crayfish Web UI。首次登录用默认账号admin/admin，登录后立即修改密码（UI 里有入口）。
第五步：部署第一个技能（实战检验）
我们写一个最简单的技能：读取data/input.txt，转大写，存为data/output.txt。
在~/crayfish/skills/下创建upper_case.py：
# ~/crayfish/skills/upper_case.py from crayfish import service def run(): # 读取输入文件 content = service.read("file:///app/data/input.txt") # 转大写 upper_content = content.upper() # 写入输出文件 service.write("file:///app/data/output.txt", upper_content) return {"status": "success", "output_file": "output.txt"} if __name__ == "__main__": run()然后在 Web UI 的“技能管理”页面，点击“刷新技能列表”，应该能看到upper_case。点击“测试运行”，在弹窗里填入空参数，执行后检查~/crayfish/data/output.txt是否生成。
实操心得：第一次运行失败？90% 是权限问题。检查
~/crayfish/data/目录是否属于当前用户（ls -l ~/crayfish/data），如果不是，sudo chown -R $USER:$USER ~/crayfish/data。容器内进程 UID 默认是 1001，但挂载卷权限由宿主机决定，必须保证宿主机用户对data/有读写权限。
6. 高级技巧：让 Crayfish 容器版真正融入你的工作流
跑通 Hello World 只是起点。要让 Crayfish 成为你日常生产力的一部分，需要几个关键技巧。这些不是文档里写的“高级功能”，而是我踩过坑后总结的实战心法。
技巧一：用 systemd 管理容器生命周期（替代 docker-compose）docker-compose up -d适合开发，但生产环境推荐 systemd。创建/etc/systemd/system/crayfish.service：
[Unit] Description=Crayfish Desktop Agent After=docker.service Wants=docker.service [Service] Type=oneshot ExecStart=/usr/bin/docker-compose -f /home/user/crayfish/docker-compose.yml up -d ExecStop=/usr/bin/docker-compose -f /home/user/crayfish/docker-compose.yml down Restart=always RestartSec=10 User=user [Install] WantedBy=multi-user.target然后启用：
$ sudo systemctl daemon-reload $ sudo systemctl enable crayfish.service $ sudo systemctl start crayfish.service好处是：系统启动时自动拉起，journalctl -u crayfish查日志，systemctl status crayfish看状态，完全融入 Linux 标准运维体系。比docker-compose更稳定，尤其在服务器重启后。
技巧二：技能热重载（开发效率翻倍）
每次改完技能代码都要docker restart crayfish-core？太慢。Crayfish 支持技能热重载：在 Web UI 的“设置”里开启 “Enable Skill Auto-Reload”，然后把skills/目录挂载为:cached（Mac）或:delegated（Linux），这样宿主机改代码，容器内秒级感知。实测下来，改一行代码 → 保存 → Web UI 点“测试运行”，整个流程 < 3 秒。比传统 RPA 的“停止机器人→导入新流程→启动机器人”快 10 倍。
技巧三：用 curl 实现技能的外部触发（打通其他系统）
热词里有“workbuddy怎么使用”，很多人不知道 Crayfish 的 API 比 GUI 更强大。比如，你想让 Jenkins 构建成功后自动触发报表生成技能：
# Jenkins 的 Post-build Script curl -X POST http://localhost:8001/api/v1/skill/run \ -H "Authorization: Bearer your_secure_api_key_here" \ -H "Content-Type: application/json" \ -d '{"skill_id": "report_gen", "params": {"date": "2024-06-15"}}'Crayfish API 返回 JSON 包含run_id，你可以轮询GET /api/v1/run/{run_id}获取状态。这个能力让 Crayfish 不再是孤立的桌面工具，而是 CI/CD、监控告警、低代码平台的自动化引擎。
技巧四：多实例隔离（同一台机器跑不同业务）
热词里有“workbuddy金融版”，暗示不同业务线需要独立环境。不用装多个 Crayfish，用 Docker 网络隔离：
# 创建独立网络 $ docker network create crayfish-finance $ docker network create crayfish-marketing # 启动金融版实例（指定网络和端口） $ docker run -d \ --network crayfish-finance \ -p 8002:8000 \ -v $(pwd)/finance-data:/app/data \ -v $(pwd)/finance-skills:/app/skills:ro \ --name crayfish-finance \ crayfishio/crayfish:latest # 启动营销版实例 $ docker run -d \ --network crayfish-marketing \ -p 8003:8000 \ -v $(pwd)/marketing-data:/app/data \ -v $(pwd)/marketing-skills:/app/skills:ro \ --name crayfish-marketing \ crayfishio/crayfish:latest这样http://localhost:8002是金融版，http://localhost:8003是营销版，数据、技能、网络完全隔离，互不影响。
最后分享一个小技巧：Crayfish 的 Web UI 默认监听0.0.0.0:8000，如果你只想本机访问（更安全），改docker-compose.yml的 ports 为"127.0.0.1:8000:8000"。这样即使服务器有公网 IP，外部也无法访问你的自动化工作台。安全不是功能，而是默认配置。
