如何在无外网环境下部署 HeyGem？清华镜像源配置实践
在政府、军工、金融或科研等高安全等级的内网环境中，服务器通常被严格限制访问公网。这种“断网”状态虽然提升了安全性，却给现代 AI 系统的部署带来了巨大挑战——尤其是那些依赖大量远程资源下载的项目，比如基于大模型驱动的数字人视频生成系统HeyGem。
这类系统往往需要从 PyPI、Hugging Face 或 Docker Hub 下载数十 GB 的预训练模型和依赖库。一旦失去外网连接，pip install失败、git clone超时、模型加载中断等问题接踵而至，整个部署流程可能就此卡住。
有没有办法让这些“重度依赖网络”的 AI 工具，在完全离线的环境中也能顺利跑起来？
答案是肯定的。关键在于：把“下载行为”前置，并通过可信镜像源构建本地可复用的依赖通道。本文将以 HeyGem 为例，结合清华大学开源软件镜像站的实际应用，详细介绍一套完整、可复制的无外网部署方案。
镜像源不只是“加速器”，更是离线部署的桥梁
很多人知道清华镜像源（https://mirrors.tuna.tsinghua.edu.cn）能加快pip install的速度，但很少意识到它在受限网络环境下的战略价值。
TUNA 协会维护的这个平台，本质上是一个国内可访问的“开源世界镜像”。它定期同步 pypi.org、npmjs.com、conda.anaconda.org 等主流源的内容，并提供 HTTPS 加密传输和 CDN 加速服务。这意味着：
- 你可以用国内百兆带宽秒下原本要几十分钟才能拉下来的包；
- 更重要的是，你可以在有网机器上提前把所有依赖“缓存”下来，打包带到无网环境使用。
举个例子，执行下面这条命令：
pip download -r requirements.txt \ -i https://pypi.tuna.tsinghua.edu.cn/simple \ --dest ./offline_packages就能将requirements.txt中列出的所有 Python 包及其依赖项全部下载到本地目录，且自动选择清华镜像源进行高速拉取。之后，哪怕断开网络，只要把offline_packages/拷贝到目标服务器，就可以用如下命令完成安装：
pip install --find-links ./offline_packages --no-index -r requirements.txt这里的--no-index表示不尝试联网查找，--find-links则指定本地查找路径。这样一来，整个依赖安装过程就彻底脱离了对外网的依赖。
小贴士：建议在干净的虚拟环境中运行
pip download，避免因当前环境已安装某些包而导致漏下载。
Docker 镜像怎么办？别忘了 registry-mirrors
如果 HeyGem 是以容器化方式部署的（例如使用 Docker Compose），那么除了 Python 包，还需要解决镜像拉取问题。
虽然清华也提供了 Docker CE 的镜像服务（见 https://mirror.tuna.tsinghua.edu.cn/help/docker-ce/），但在实际操作中，我们更推荐使用中科大源作为替代：
{ "registry-mirrors": ["https://docker.mirrors.ustc.edu.cn"] }将上述内容写入/etc/docker/daemon.json文件后重启 Docker 服务即可生效。这样，每次执行docker pull时，Docker 守护进程会优先尝试通过镜像站获取镜像，大幅降低因网络不稳定导致的拉取失败概率。
对于完全无外网的场景，还可以采用“导出-导入”策略：
# 在有网机器上拉取并保存为 tar 文件 docker pull heygem:latest docker save -o heygem_latest.tar heygem:latest # 拷贝到目标主机后加载 docker load -i heygem_latest.tar这种方式虽然繁琐一些，但胜在绝对可靠，适合对稳定性要求极高的生产环境。
模型文件太大，根本没法在线下传？
比依赖库更头疼的是模型本身。一个 Wav2Vec2 大模型动辄几个 GB，SyncNet 或神经渲染模块加起来可能超过 10GB。指望在部署时实时下载根本不现实。
我们的做法是：将常用模型预先下载并组织成标准结构，随项目一并分发。
假设原始代码中加载模型的方式如下：
from transformers import Wav2Vec2Processor, AutoModelForCTC processor = Wav2Vec2Processor.from_pretrained("facebook/wav2vec2-large-robust") model = AutoModelForCTC.from_pretrained("facebook/wav2vec2-large-robust")我们可以改为指向本地路径：
MODEL_PATH = "./models/wav2vec2-large-robust" processor = Wav2Vec2Processor.from_pretrained(MODEL_PATH) model = AutoModelForCTC.from_pretrained(MODEL_PATH)然后在项目根目录创建models/文件夹，把模型文件放进去。为了方便团队协作，可以编写一个简单的脚本自动检查并提醒缺失模型：
#!/bin/bash if [ ! -d "./models/wav2vec2-large-robust" ]; then echo "错误：缺少 wav2vec2 模型，请确保已拷贝至 ./models/" exit 1 fi当然，首次准备模型仍需在外网环境完成。推荐使用huggingface-cli批量下载：
huggingface-cli download facebook/wav2vec2-large-robust --local-dir ./models/wav2vec2-large-robust这样既能保证版本一致，又能避免手动点击网页下载的麻烦。
启动服务前的最后一环：配置持久化与环境隔离
当所有依赖和模型都到位后，下一步就是启动服务。HeyGem 提供了一个简洁的启动脚本start_app.sh：
#!/bin/bash python app.py --server-port 7860 --server-name 0.0.0.0其中：
---server-port 7860指定 WebUI 监听端口；
---server-name 0.0.0.0允许局域网其他设备访问，非常适用于内网共享使用。
但别忘了做好两件事：
1. 让 pip 配置“记住”镜像源
即使当前已经离线，我们也应将清华源设为默认源，防止后续有人误操作触发联网请求。可以通过以下命令写入用户级配置：
mkdir -p ~/.pip cat > ~/.pip/pip.conf << EOF [global] index-url = https://pypi.tuna.tsinghua.edu.cn/simple trusted-host = pypi.tuna.tsinghua.edu.cn EOF这样以后无论谁在这个账户下运行pip install，都会自动走镜像源，无需重复指定-i参数。
2. 使用虚拟环境避免“依赖污染”
强烈建议使用 Python 虚拟环境（venv 或 conda）来隔离项目依赖：
python -m venv heygem-env source heygem-env/bin/activate pip install --find-links ./offline_packages --no-index -r requirements.txt这样做不仅能防止不同项目之间的包冲突，还能清晰界定哪些包是真正需要的，便于未来打包迁移。
实际部署流程图解
下面是我们在某省级政务云平台实施的一次典型部署流程：
graph TD A[有公网的跳板机] --> B{下载阶段} B --> C[pip download 所有依赖] B --> D[huggingface-cli 下载模型] B --> E[docker save 导出镜像] C --> F[打包为 offline_packages.tar.gz] D --> G[压缩为 models.tar.gz] E --> H[生成 heygem_image.tar] F --> I[通过U盘/内网传输] G --> I H --> I I --> J[目标服务器] J --> K[解压并恢复环境] J --> L[加载Docker镜像] J --> M[配置pip镜像源] K --> N[激活venv并安装依赖] N --> O[启动 start_app.sh] O --> P[浏览器访问 http://IP:7860]整个过程耗时约 40 分钟（主要花在模型传输上），完成后系统稳定运行超过三个月未出现异常。
常见问题与应对策略
首次启动特别慢，是不是出错了？
不是。HeyGem 首次运行需要将多个大型模型加载进内存甚至 GPU 显存，尤其是语音识别和唇形同步模块，初始化时间可能长达几分钟。这是正常现象。
建议：
- 首次启动后保持服务常驻；
- 可结合systemd编写守护服务，实现开机自启和崩溃重启。
示例 service 文件：
[Unit] Description=HeyGem Digital Human Service After=network.target [Service] Type=simple User=root WorkingDirectory=/root/heygem ExecStart=/root/heygem/heygem-env/bin/python app.py --server-port 7860 --server-name 0.0.0.0 Restart=always [Install] WantedBy=multi-user.target日志在哪里看？怎么排查错误？
HeyGem 将运行日志输出到：
/root/workspace/运行实时日志.log可通过以下命令实时查看：
tail -f /root/workspace/运行实时日志.log若想集中管理，可配合supervisor或journalctl进行日志轮转和归档。
输出文件太多，磁盘快满了怎么办？
默认输出路径为outputs/，长期运行容易积累大量视频文件。建议：
- 定期清理旧任务结果；
- 对于生产系统，挂载独立存储盘或 NAS；
- 在脚本中加入自动清理逻辑，如保留最近 7 天的输出。
最佳实践总结
| 项目 | 推荐做法 |
|---|---|
| 依赖管理 | 使用精确版本锁定的requirements.txt+ 虚拟环境 |
| 镜像源配置 | 写入~/.pip/pip.conf实现永久生效 |
| 模型管理 | 改为本地路径加载，统一放在./models/目录 |
| 存储规划 | 输出目录挂载独立磁盘，设置自动清理策略 |
| 安全防护 | 关闭非必要端口，远程访问建议通过 SSH 隧道 |
| 批量处理 | 优先使用批量模式，减少模型重复加载开销 |
此外，还有一个经验之谈：控制单个视频长度不超过 5 分钟。过长的音频会导致显存占用飙升，极易引发 OOM（内存溢出）错误。如有长视频需求，建议先切片再合成。
结语
AI 技术的价值不仅体现在算法有多先进，更在于它能否真正落地到实际业务场景中。而在许多关键领域，网络隔离是不可妥协的安全底线。
通过合理利用清华镜像源、离线包预装、本地模型加载和容器镜像导出等手段，我们完全可以绕开“必须联网”的桎梏，实现 HeyGem 这类复杂 AI 系统的封闭环境部署。
这套方法不仅适用于数字人视频生成，也可以推广到语音合成、图像生成、智能客服等多个方向。只要掌握了“资源前置 + 本地化适配”的核心思路，即便是最复杂的深度学习项目，也能在无外网条件下稳健运行。
技术的边界，从来不该由网络决定。
