Suna本地部署詳細教程

一、安裝基礎環境

# 1、創建環境
conda create -n suna python==3.11.7# 2、激活虛擬環境
conda activate suna# 3、安裝jupyter和ipykernel
pip install jupyter ipykernel# 4、將虛擬環境添加到jupyter
# python -m ipykernel install --user --name=myenv --display-name="Python (myenv)"
python -m ipykernel install --user --name=suna

二、安裝suna環境

切換到源碼路徑下
cd /Users/dcs/study/Suna修改后項目源碼/suna/backend然后使用pip install，安裝Suna項目依賴
pip install -r requirements.txt安裝完成后，我們進入項目前端文件夾（frontend）
然后使用npm install安裝前端依賴，
cd /Users/dcs/study/Suna修改后項目源碼/suna/frontendnpm install

三、配置Suna項目后端

Suna的后端配置總共需要完成以下四步，主要是進行此前介紹的部分核心組件的配置，

配置1、tavily API-KEY：開啟網絡搜索功能
配置2、firecrawl API-KEY：開啟網絡爬蟲功能
配置3、Daytona：開啟沙盒環境功能
配置4、supabase：開啟完整后端支持

配置1、tavily API-KEY：開啟網絡搜索功能

第一步需要獲取搜索引擎tavily的API KEY，我們需要登錄tavily官網（ Tavily），完成注冊并獲取API-KEY，

然后進入Suna項目的后端（backend）文件夾，用文本編輯器打開.env文件，該文件是后端配置文件，

然后將剛剛復制的API-KEY寫入TAVILY_API_KEY中，記得要隨時保存。

配置2、firecrawl API-KEY：開啟網絡爬蟲功能

接下來繼續獲取網絡爬蟲firecrawl的API KEY，同樣需要登錄firecrawl官網（ Firecrawl），完成注冊后在dashboard頁面復制API-KEY

然后同樣是在.env文件中寫入FIRECRAWL_API_KEY。

配置3、Daytona：開啟沙盒環境功能

繼續設置沙盒環境工具Daytona，Daytona的設置稍微比較復雜，我們需要先進入Daytona官網（ Daytona - Secure Infrastructure for Running AI-Generated Code）并進行注冊；

然后Daytona需要搭配一個Suna鏡像才能順利運行，因此我們需要點擊左側的Image（鏡像）選項，然后點擊右上角的Create Image（創建鏡像），然后輸入既定的Image Name和Entrypoint，然后點擊創建。這段文本較為復雜，大家可以領取文字版課件后直接復制。

Image name: kortix/suna:0.1.2
Entrypoint: /usr/bin/supervisord -n -c /etc/supervisor/conf.d/supervisord.conf

然后等待鏡像導入完成即可。

接下來點擊左側Keys選項并創建API-Key

最后，將創建好的Daytona API-KEY寫入.env配置文件。到這里，第三項配置就完成了。

配置4、supabase：開啟完整后端支持

配置后端服務工具supabase。還是一樣，需要登錄supabase官網，并根據引導完成注冊和項目創建，

例如這里我創建了一個名為test的項目

然后在項目主頁左側選擇Project setting，然后點擊Data API，往下翻找到schemas選項，確保選擇了如圖所示的三種格式。

然后在當前頁面往上翻，找到如圖所示三項核心信息，并分別復制填入.env文件中箭頭所示這三個變量里。

然后保存.env文件并退出。

接下來回到后端文件夾的命令行中，輸入如下三項命令，第一條命令是是登陸supabase，輸入后會自動彈出確認登陸的網頁；

npx supabase login npx supabase link --project-ref <your-project-ref> npx supabase db push

如果需要輸入驗證碼，從自動打開的網頁里面復制。

輸入賬號密碼即可。第二條link命令是在本地設置默認項目，需要關聯到supabase對應的項目ID；

而第三條push命令則是將本地數據表格式同步到關聯的項目中。

全部執行完后，Suna后端配置全部完成。

最終env文件

四、配置Suna底層大模型

最后第三個階段，讓我們設置Suna的基礎模型配置。這里強烈推薦大家分別為Suna的前端和后端配置不同的模型，能夠大幅加快Suna的響應速度。

配置Suna后端大模型API：Claude 3.7模型
配置Suna前端大模型API：DeepSeek模型

首先在后端配置中，推薦使用Claude 3.7模型，這是目前Agent能力最強的模型，同時也是Suna的默認模型。我們可以直接在某寶上購買Claude官方API-KEY，也可以自行注冊，然后在后端的配置文件.env文件中寫入Claude API-KEY即可。

此外，也可以輸入OpenRouter的API-KEY，來調用包括DeepSeek模型在內的各項主流模型。

緊接著，我們用文本編輯器打開前端配置文件.env.local；

然后如圖所示，把部分后端配置復制寫入前端配置文件中，并在最后一行OPENAI_API_KEY一欄寫入DeepSeek官方的API-KEY，這就是全部的前端配置了。

然后記得保存并退出。

至此，準備工作全部完成，接下來即可按照如下流程啟動Suna了！

第一步：借助docker啟動Redis
第二步：啟動Suna后端
第三步：啟動Suna前端

激動人心的時刻來了，首先需要借助docker啟動Redis。我們需要確保之前安裝的docker已經啟動，然后在后端文件夾中打開命令行，輸入Redis啟動命令。

docker compose up redis

然后同樣在后端文件夾中再打開一個命令行，輸入如下命令開啟Suna的后端服務。

cd /Users/dcs/study/Suna修改后項目源碼/suna/backend python api.py

最后，在前端文件夾中打開命令行，輸入如下命令開啟Suna前端。

cd /Users/dcs/study/Suna修改后項目源碼/suna/frontend npm run dev # 注意：如果提示沒權限/suna/frontend/node_modules/.bin/next: Permission denied， # 請賦予權限 chmod +x /Users/dcs/study/Suna修改后項目源碼/suna/frontend/node_modules/.bin/next