Konfiguration über Umgebungsvariablen übergeben
Halten Sie Modellpfade und Secrets aus dem Image heraus.
Konfiguration über Umgebungsvariablen übergeben ist eine kostenlose MLOps Academy-Lektion auf CoddyKit. Dies ist Lektion 3 von 4. Du kannst die komplette Lektion unten kostenlos lesen – dann übst du sie direkt im Browser mit einem integrierten Code-Editor und einem KI-Tutor rund um die Uhr. Sie ist Teil des MLOps Academy-Lernpfads, und dein Fortschritt wird über Web und CoddyKit-App synchronisiert. Der MLOps Academy-Kurs umfasst insgesamt 4 Lektionen.
Teile dieser Lektion wurden noch nicht übersetzt und werden auf Englisch angezeigt.
Do Not Bake Config In
Hardcoding a model path or API key bakes it into the image forever. Pass them as environment variables at run time instead.
Read Env in Python
Use os.getenv to read a variable, with a sensible default. Your code then bends to each environment without edits.
import os
model_path = os.getenv("MODEL_PATH", "/models/latest.pkl")Defaults Inside the Image
The Dockerfile ENV instruction sets a baked-in default. It is handy for non-secret config that rarely changes.
ENV MODEL_PATH=/models/latest.pklOverride at Run Time
Override any value with -e on docker run. The same image then serves staging or production with different settings.
docker run -e MODEL_PATH=/models/v2.pkl model-apiGroup Vars in a File
Keep many variables tidy in a file and load it with --env-file. Your run command stays short and readable.
docker run --env-file prod.env model-apiNever Commit Secrets
Keep secret files out of Git and out of the image. Add your .env to .gitignore and .dockerignore so they never leak.
Secrets Belong Outside
Real secrets like database passwords should come from a vault or your platform secret manager, injected at run time only.
Validate on Startup
Check required variables when the app boots and fail loudly if one is missing. A clear crash beats a silent wrong prediction.
if not os.getenv("MODEL_PATH"):
raise RuntimeError("MODEL_PATH is required")Twelve-Factor Config
The twelve-factor rule says store config in the environment. It keeps one image portable across every deployment target.
Pydantic Settings
Tools like pydantic-settings read env vars into a typed config object, validating types and defaults in one clean place.
from pydantic_settings import BaseSettingsOne Image, Many Envs
The payoff: build once and run that exact image in dev, staging, and prod, changing only the variables you inject.
Quick Check
Let us check where config should live.
Recap
You read config with os.getenv, set defaults via ENV, overrode with -e and --env-file, and kept secrets out. One portable image. ✅
Häufig gestellte Fragen
Ist die Lektion „Konfiguration über Umgebungsvariablen übergeben“ kostenlos?
Ja — der vollständige Text von „Konfiguration über Umgebungsvariablen übergeben“ ist hier im Web kostenlos zu lesen. Um sie interaktiv zu üben (integrierter Code-Editor und 24/7 KI-Tutor) und den Rest des MLOps Academy-Kurses freizuschalten, upgrade auf CoddyKit PRO. Der MLOps Academy-Kurs umfasst insgesamt 4 Lektionen.
Was lerne ich in „Konfiguration über Umgebungsvariablen übergeben“?
Halten Sie Modellpfade und Secrets aus dem Image heraus. Du übst MLOps Academy mit praktischem Code, den du direkt im Browser ausführst, und ein 24/7 KI-Tutor beantwortet deine Fragen während du die Lektion bearbeitest.
Brauche ich Erfahrung, um MLOps Academy zu starten?
Keine Vorkenntnisse erforderlich. MLOps Academy auf CoddyKit ist für Anfänger bis fortgeschrittene Lernende strukturiert, sodass du hier starten oder von Anfang an beginnen und in deinem eigenen Tempo voranschreiten kannst. Dies ist Lektion 3 von 4.
Wie lange dauert die Lektion „Konfiguration über Umgebungsvariablen übergeben“?
Die meisten CoddyKit-Lektionen dauern etwa 5–10 Minuten. Jede ist kompakt und interaktiv, sodass du stetig Fortschritte machst und genau dort weitermachst, wo du aufgehört hast – im Web und in der App.
Kann ich in dieser MLOps Academy-Lektion Code schreiben und ausführen?
Ja. Jede MLOps Academy-Lektion enthält einen integrierten Code-Editor, sodass du echten Code direkt in deinem Browser schreibst und ausführst und sofort KI-Feedback erhältst — ohne lokale Einrichtung erforderlich.
Alle Lektionen in diesem Kurs
- Eine Dockerfile für eine Model-API schreiben
- Images mit Multi-Stage-Builds verkleinern
- Konfiguration über Umgebungsvariablen übergeben
- Den Container lokal ausführen und testen