copilot-cli
AWS Copilot CLI 是一款专为开发者设计的命令行工具,旨在简化在 AWS 上构建、发布和运维容器化应用的全过程。它让开发者只需一条命令,即可基于 Dockerfile 将应用部署为生产级、可扩展的服务,底层自动依托 Amazon ECS on Fargate 或 AWS App Runner 运行。
这款工具主要解决了容器应用上云时配置复杂、环境管理繁琐的痛点。使用 copilot-cli,用户可以轻松为服务添加数据库或注入密钥,从单个微服务平滑扩展至完整的微服务架构。它还支持快速搭建跨区域、跨账号的测试与生产环境,一键配置 CI/CD 流水线,并允许直接在终端内监控和调试服务,极大提升了开发效率。
copilot-cli 特别适合希望专注于业务逻辑而非基础设施细节的后端开发者、DevOps 工程师以及初创团队。其核心亮点在于“约定优于配置”的设计理念,通过智能默认值自动处理 VPC、负载均衡器等底层资源的创建与管理,让用户能以极简的操作体验完成复杂的云原生应用交付。需要注意的是,官方已宣布该工具将于 2026 年 6 月停止支持,建议当前用户在享受其便利的同时,关注后续的迁移方案。
使用场景
某初创电商团队需要在两周内将单体应用拆分为微服务,并快速在 AWS 上构建可伸缩的生产环境。
没有 copilot-cli 时
- 开发人员需手动编写复杂的 CloudFormation 模板来配置 VPC、负载均衡器和 ECS 集群,耗时且容易出错。
- 每次新增微服务都要重复定义网络策略和 IAM 权限,导致环境一致性难以保证,测试环境与生产环境差异大。
- 搭建 CI/CD 流水线需要单独配置 CodePipeline 和 CodeBuild,缺乏统一视角,部署流程繁琐。
- 调试运行时错误时,开发者必须在 AWS 控制台多个页面间切换查看日志和监控指标,效率极低。
- 从本地 Dockerfile 到云端运行实例的整个过程涉及数十个步骤,新人上手门槛高,交付周期长。
使用 copilot-cli 后
- 只需一条
copilot init命令,即可基于现有 Dockerfile 自动创建包含 VPC 和负载均衡器的完整生产级服务。 - 通过
copilot svc add轻松扩展微服务架构,工具自动复用网络配置并注入密钥,确保多环境高度一致。 - 内置
copilot pipeline init一键生成标准化的 CI/CD 流水线,实现代码提交后自动部署至测试或生产环境。 - 直接在终端运行
copilot svc logs或copilot svc exec即可实时查看日志或进入容器调试,无需离开命令行。 - 将原本数天的基础设施搭建工作压缩至分钟级,团队能专注于业务逻辑开发,显著加速产品迭代。
copilot-cli 的核心价值在于将复杂的 AWS 容器化运维抽象为简单的开发命令,让团队能以应用为中心快速构建和运营云原生系统。
运行环境要求
- Linux
- macOS
- Windows
未说明
未说明

快速开始
:warning: 即将停止支持 :warning:
AWS Copilot CLI 将于 2026 年 6 月 12 日停止支持。在此之后,该工具将不再接收更新、安全补丁或技术支持。我们建议您尽快迁移到其他解决方案,以确保持续的支持和对最新功能的访问。 如需更多信息,请参阅我们的 博客文章。
AWS Copilot CLI
在 AWS 上构建、发布和运行容器化应用。
AWS Copilot CLI 是一款面向开发者的工具,用于在 AWS App Runner 或 Amazon ECS on AWS Fargate 上构建、发布和运行生产就绪的容器化应用。
使用 Copilot 可以:
- 通过一条命令,从 Dockerfile 部署可在 AWS 上运行的生产级可扩展服务。
- 为您的服务添加数据库或将密钥注入服务中。
- 从单个微服务扩展到应用程序中的多个相关微服务集合。
- 跨区域和账户设置测试和生产环境。
- 设置 CI/CD 流水线,将您的服务发布到相应环境。
- 从终端监控和调试您的服务。
安装
使用 Homebrew 安装:
$ brew install aws/tap/copilot-cli
若要手动安装,我们会在 GitHub 发布页面上提供二进制文件:
针对您所在平台的 Copilot 安装说明
| 平台 | 安装命令 |
|---|---|
| macOS | curl -Lo copilot https://github.com/aws/copilot-cli/releases/latest/download/copilot-darwin && chmod +x copilot && sudo mv copilot /usr/local/bin/copilot && copilot --help |
| Linux x86 (64 位) | curl -Lo copilot https://github.com/aws/copilot-cli/releases/latest/download/copilot-linux && chmod +x copilot && sudo mv copilot /usr/local/bin/copilot && copilot --help |
| Linux (ARM) | curl -Lo copilot https://github.com/aws/copilot-cli/releases/latest/download/copilot-linux-arm64 && chmod +x copilot && sudo mv copilot /usr/local/bin/copilot && copilot --help |
| Windows | Invoke-WebRequest -OutFile 'C:\Program Files\copilot.exe' https://github.com/aws/copilot-cli/releases/latest/download/copilot-windows.exe |
开始使用
请确保已安装 AWS 命令行工具,并在开始之前运行过 aws configure。
要通过一条命令快速启动并运行一个示例应用,请执行以下操作:
$ git clone git@github.com:aws-samples/aws-copilot-sample-service.git demo-app
$ cd demo-app
$ copilot init --app demo \
--name api \
--type '负载均衡 Web 服务' \
--dockerfile './Dockerfile' \
--deploy
这将创建一个 VPC、Application Load Balancer 以及在 AWS Fargate 上运行示例应用的 Amazon ECS 服务。整个过程大约需要 8 分钟完成,完成后您将获得示例应用的 URL!🚀
学习更多
想了解更多相关信息吗?请查看我们的文档 https://aws.github.io/copilot-cli/,其中包含入门指南、Copilot 概念介绍以及命令详解。
反馈
您有任何反馈吗?🙏 请在 GitHub 上提交问题,或加入我们的 Gitter 社区。
我们非常乐意听取您的反馈或解答疑问,随时欢迎您与我们联系!
安全披露
如果您认为发现了潜在的安全漏洞,请不要在 Issues 中公开。请按照 此处 的说明操作,或直接发送邮件至 AWS 安全团队:aws-security@amazon.com。
许可证
本库采用 Apache 2.0 许可证授权。
版本历史
v1.34.12025/04/10v1.34.02024/06/26v1.33.42024/05/21v1.33.32024/04/19v1.33.22024/03/21v1.33.12024/01/30v1.33.02024/01/17v1.32.12023/12/13v1.32.02023/11/09v1.31.02023/10/06v1.30.12023/09/01v1.30.02023/08/30v1.29.12023/08/02v1.29.02023/07/19v1.28.02023/05/25v1.27.02023/03/28v1.26.02023/02/21v1.25.02023/01/17v1.24.02022/11/29v1.23.02022/11/01常见问题
相似工具推荐
openclaw
OpenClaw 是一款专为个人打造的本地化 AI 助手,旨在让你在自己的设备上拥有完全可控的智能伙伴。它打破了传统 AI 助手局限于特定网页或应用的束缚,能够直接接入你日常使用的各类通讯渠道,包括微信、WhatsApp、Telegram、Discord、iMessage 等数十种平台。无论你在哪个聊天软件中发送消息,OpenClaw 都能即时响应,甚至支持在 macOS、iOS 和 Android 设备上进行语音交互,并提供实时的画布渲染功能供你操控。 这款工具主要解决了用户对数据隐私、响应速度以及“始终在线”体验的需求。通过将 AI 部署在本地,用户无需依赖云端服务即可享受快速、私密的智能辅助,真正实现了“你的数据,你做主”。其独特的技术亮点在于强大的网关架构,将控制平面与核心助手分离,确保跨平台通信的流畅性与扩展性。 OpenClaw 非常适合希望构建个性化工作流的技术爱好者、开发者,以及注重隐私保护且不愿被单一生态绑定的普通用户。只要具备基础的终端操作能力(支持 macOS、Linux 及 Windows WSL2),即可通过简单的命令行引导完成部署。如果你渴望拥有一个懂你
ML-For-Beginners
ML-For-Beginners 是由微软推出的一套系统化机器学习入门课程,旨在帮助零基础用户轻松掌握经典机器学习知识。这套课程将学习路径规划为 12 周,包含 26 节精炼课程和 52 道配套测验,内容涵盖从基础概念到实际应用的完整流程,有效解决了初学者面对庞大知识体系时无从下手、缺乏结构化指导的痛点。 无论是希望转型的开发者、需要补充算法背景的研究人员,还是对人工智能充满好奇的普通爱好者,都能从中受益。课程不仅提供了清晰的理论讲解,还强调动手实践,让用户在循序渐进中建立扎实的技能基础。其独特的亮点在于强大的多语言支持,通过自动化机制提供了包括简体中文在内的 50 多种语言版本,极大地降低了全球不同背景用户的学习门槛。此外,项目采用开源协作模式,社区活跃且内容持续更新,确保学习者能获取前沿且准确的技术资讯。如果你正寻找一条清晰、友好且专业的机器学习入门之路,ML-For-Beginners 将是理想的起点。
funNLP
funNLP 是一个专为中文自然语言处理(NLP)打造的超级资源库,被誉为"NLP 民工的乐园”。它并非单一的软件工具,而是一个汇集了海量开源项目、数据集、预训练模型和实用代码的综合性平台。 面对中文 NLP 领域资源分散、入门门槛高以及特定场景数据匮乏的痛点,funNLP 提供了“一站式”解决方案。这里不仅涵盖了分词、命名实体识别、情感分析、文本摘要等基础任务的标准工具,还独特地收录了丰富的垂直领域资源,如法律、医疗、金融行业的专用词库与数据集,甚至包含古诗词生成、歌词创作等趣味应用。其核心亮点在于极高的全面性与实用性,从基础的字典词典到前沿的 BERT、GPT-2 模型代码,再到高质量的标注数据和竞赛方案,应有尽有。 无论是刚刚踏入 NLP 领域的学生、需要快速验证想法的算法工程师,还是从事人工智能研究的学者,都能在这里找到急需的“武器弹药”。对于开发者而言,它能大幅减少寻找数据和复现模型的时间;对于研究者,它提供了丰富的基准测试资源和前沿技术参考。funNLP 以开放共享的精神,极大地降低了中文自然语言处理的开发与研究成本,是中文 AI 社区不可或缺的宝藏仓库。
cs-video-courses
cs-video-courses 是一个精心整理的计算机科学视频课程清单,旨在为自学者提供系统化的学习路径。它汇集了全球知名高校(如加州大学伯克利分校、新南威尔士大学等)的完整课程录像,涵盖从编程基础、数据结构与算法,到操作系统、分布式系统、数据库等核心领域,并深入延伸至人工智能、机器学习、量子计算及区块链等前沿方向。 面对网络上零散且质量参差不齐的教学资源,cs-video-courses 解决了学习者难以找到成体系、高难度大学级别课程的痛点。该项目严格筛选内容,仅收录真正的大学层级课程,排除了碎片化的简短教程或商业广告,确保用户能接触到严谨的学术内容。 这份清单特别适合希望夯实计算机基础的开发者、需要补充特定领域知识的研究人员,以及渴望像在校生一样系统学习计算机科学的自学者。其独特的技术亮点在于分类极其详尽,不仅包含传统的软件工程与网络安全,还细分了生成式 AI、大语言模型、计算生物学等新兴学科,并直接链接至官方视频播放列表,让用户能一站式获取高质量的教育资源,免费享受世界顶尖大学的课堂体验。
lobehub
LobeHub 是一个致力于工作与生活的智能体协作平台,旨在帮助用户发现、构建并与不断成长的 AI 智能体队友协同工作。它解决了当前 AI 应用中单点交互效率低、难以形成规模化协作网络的问题,将“智能体”确立为工作的基本单元,让人类与 AI 能够共同进化。 无论是开发者、研究人员还是普通用户,都能通过 LobeHub 轻松设计多智能体协作流程。平台支持一键安装 MCP 插件、访问丰富的智能体市场,并提供本地与云端数据库管理、多用户协作等高级功能。其独特的技术亮点包括对多种大模型服务商的兼容、本地大模型部署支持、视觉识别、语音对话(TTS/STT)、文生图以及思维链(Chain of Thought)等能力。此外,LobeHub 还具备分支对话、工件生成、文件上传与知识库集成等实用特性,并适配桌面端、移动端及 PWA 场景,支持自定义主题。 通过开源与自托管选项,LobeHub 为构建人机共演的未来协作网络提供了灵活、可扩展的基础设施。
scikit-learn
scikit-learn 是一个基于 Python 构建的开源机器学习库,依托于 SciPy、NumPy 等科学计算生态,旨在让机器学习变得简单高效。它提供了一套统一且简洁的接口,涵盖了从数据预处理、特征工程到模型训练、评估及选择的全流程工具,内置了包括线性回归、支持向量机、随机森林、聚类等在内的丰富经典算法。 对于希望快速验证想法或构建原型的数据科学家、研究人员以及 Python 开发者而言,scikit-learn 是不可或缺的基础设施。它有效解决了机器学习入门门槛高、算法实现复杂以及不同模型间调用方式不统一的痛点,让用户无需重复造轮子,只需几行代码即可调用成熟的算法解决分类、回归、聚类等实际问题。 其核心技术亮点在于高度一致的 API 设计风格,所有估算器(Estimator)均遵循相同的调用逻辑,极大地降低了学习成本并提升了代码的可读性与可维护性。此外,它还提供了强大的模型选择与评估工具,如交叉验证和网格搜索,帮助用户系统地优化模型性能。作为一个由全球志愿者共同维护的成熟项目,scikit-learn 以其稳定性、详尽的文档和活跃的社区支持,成为连接理论学习与工业级应用的最