一、安装基础环境

# 1、创建环境
conda create -n suna python==3.11.7# 2、激活虚拟环境
conda activate suna# 3、安装jupyter和ipykernel
pip install jupyter ipykernel# 4、将虚拟环境添加到jupyter
# python -m ipykernel install --user --name=myenv --display-name="Python (myenv)"
python -m ipykernel install --user --name=suna

二、安装suna环境

切换到源码路径下
cd /Users/dcs/study/Suna修改后项目源码/suna/backend然后使用pip install，安装Suna项目依赖
pip install -r requirements.txt安装完成后，我们进入项目前端文件夹（frontend）
然后使用npm install安装前端依赖，
cd /Users/dcs/study/Suna修改后项目源码/suna/frontendnpm install

三、配置Suna项目后端

Suna的后端配置总共需要完成以下四步，主要是进行此前介绍的部分核心组件的配置，

配置1、tavily API-KEY：开启网络搜索功能
配置2、firecrawl API-KEY：开启网络爬虫功能
配置3、Daytona：开启沙盒环境功能
配置4、supabase：开启完整后端支持

配置1、tavily API-KEY：开启网络搜索功能

第一步需要获取搜索引擎tavily的API KEY，我们需要登录tavily官网（ Tavily），完成注册并获取API-KEY，

然后进入Suna项目的后端（backend）文件夹，用文本编辑器打开.env文件，该文件是后端配置文件，

然后将刚刚复制的API-KEY写入TAVILY_API_KEY中，记得要随时保存。

配置2、firecrawl API-KEY：开启网络爬虫功能

接下来继续获取网络爬虫firecrawl的API KEY，同样需要登录firecrawl官网（ Firecrawl），完成注册后在dashboard页面复制API-KEY

然后同样是在.env文件中写入FIRECRAWL_API_KEY。

配置3、Daytona：开启沙盒环境功能

继续设置沙盒环境工具Daytona，Daytona的设置稍微比较复杂，我们需要先进入Daytona官网（ Daytona - Secure Infrastructure for Running AI-Generated Code）并进行注册；

然后Daytona需要搭配一个Suna镜像才能顺利运行，因此我们需要点击左侧的Image（镜像）选项，然后点击右上角的Create Image（创建镜像），然后输入既定的Image Name和Entrypoint，然后点击创建。这段文本较为复杂，大家可以领取文字版课件后直接复制。

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

然后等待镜像导入完成即可。

接下来点击左侧Keys选项并创建API-Key

最后，将创建好的Daytona API-KEY写入.env配置文件。到这里，第三项配置就完成了。

配置4、supabase：开启完整后端支持

配置后端服务工具supabase。还是一样，需要登录supabase官网，并根据引导完成注册和项目创建，

例如这里我创建了一个名为test的项目

然后在项目主页左侧选择Project setting，然后点击Data API，往下翻找到schemas选项，确保选择了如图所示的三种格式。

然后在当前页面往上翻，找到如图所示三项核心信息，并分别复制填入.env文件中箭头所示这三个变量里。

然后保存.env文件并退出。

接下来回到后端文件夹的命令行中，输入如下三项命令，第一条命令是是登陆supabase，输入后会自动弹出确认登陆的网页；

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

如果需要输入验证码，从自动打开的网页里面复制。

输入账号密码即可。第二条link命令是在本地设置默认项目，需要关联到supabase对应的项目ID；

而第三条push命令则是将本地数据表格式同步到关联的项目中。

全部执行完后，Suna后端配置全部完成。

最终env文件

四、配置Suna底层大模型

最后第三个阶段，让我们设置Suna的基础模型配置。这里强烈推荐大家分别为Suna的前端和后端配置不同的模型，能够大幅加快Suna的响应速度。

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，推荐使用Claude 3.7模型，这是目前Agent能力最强的模型，同时也是Suna的默认模型。我们可以直接在某宝上购买Claude官方API-KEY，也可以自行注册，然后在后端的配置文件.env文件中写入Claude API-KEY即可。

此外，也可以输入OpenRouter的API-KEY，来调用包括DeepSeek模型在内的各项主流模型。

紧接着，我们用文本编辑器打开前端配置文件.env.local；

然后如图所示，把部分后端配置复制写入前端配置文件中，并在最后一行OPENAI_API_KEY一栏写入DeepSeek官方的API-KEY，这就是全部的前端配置了。

然后记得保存并退出。

至此，准备工作全部完成，接下来即可按照如下流程启动Suna了！

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

激动人心的时刻来了，首先需要借助docker启动Redis。我们需要确保之前安装的docker已经启动，然后在后端文件夹中打开命令行，输入Redis启动命令。

docker compose up redis

然后同样在后端文件夹中再打开一个命令行，输入如下命令开启Suna的后端服务。

cd /Users/dcs/study/Suna修改后项目源码/suna/backend python api.py

最后，在前端文件夹中打开命令行，输入如下命令开启Suna前端。

cd /Users/dcs/study/Suna修改后项目源码/suna/frontend npm run dev # 注意：如果提示没权限/suna/frontend/node_modules/.bin/next: Permission denied， # 请赋予权限 chmod +x /Users/dcs/study/Suna修改后项目源码/suna/frontend/node_modules/.bin/next