subs-check项目中的Mihomo文件保存失败问题分析与解决方案
问题背景
在subs-check项目使用过程中,部分用户遇到了节点测试完成后无法正确保存Mihomo配置文件的问题。具体表现为当sub-store尝试获取mihomo文件时出现获取失败的情况,错误信息显示为"获取mihomo file失败"并伴随500状态码。
问题现象
用户在使用subs-check进行节点测试后,系统会尝试将结果保存为本地文件。正常情况下,预期行为是能够成功保存到/app/output/mihomo.yaml路径。然而实际运行中,部分用户遇到了保存失败的情况,错误日志显示无法从本地服务地址下载ACL4SSR_Online_Full.yaml文件。
问题分析
经过深入排查和用户反馈收集,发现该问题主要与以下因素相关:
-
网络环境冲突:当用户在Docker环境中设置了HTTP_PROXY和HTTPS_PROXY变量时,这些网络设置会影响sub-store对本地服务的访问。
-
本地请求被转发:sub-store的JavaScript脚本没有特殊处理本机或局域网的请求,导致即使是对127.0.0.1或192.168.x.x的请求也被错误地转发到了外部服务器。
-
协议验证错误:在某些情况下,日志显示"Invalid URL protocol"错误,表明请求的URL协议验证出现问题。
解决方案
针对这一问题,我们推荐以下解决方案:
-
环境变量调整:当检测到MihomoOverwriteUrl设置为局域网IP时,自动删除sub-store进程中的所有PROXY相关环境变量,确保本地请求能够正常进行。
-
网络设置优化:如果必须使用网络环境,可以考虑以下两种方案:
- 使用GitHub等外部地址作为覆写规则源
- 配置网络规则,确保对本地地址的请求不被转发到外部服务器
-
配置检查:仔细检查配置文件,确保没有隐藏字符或格式错误,特别是URL地址部分。
技术实现细节
问题的根本原因在于sub-store的JavaScript脚本没有像wget、golang等工具那样默认绕过对本地地址的网络转发。当用户设置了全局网络环境变量时,所有HTTP请求(包括对本地服务的请求)都会被尝试通过外部服务器转发,这显然会导致连接失败。
解决方案中提到的自动删除PROXY变量是一种优雅的解决方式,它能够在保持网络功能的同时,确保本地服务访问不受影响。这种处理方式既解决了问题,又不需要用户手动调整复杂的配置。
最佳实践建议
-
对于需要在网络环境下运行subs-check的用户,建议:
- 优先使用外部规则源地址
- 或者配置网络规则排除本地地址
-
对于直接连接的用户,保持默认配置即可正常工作。
-
定期检查Docker环境版本,确保使用较新的Docker引擎,避免因版本过旧导致的兼容性问题。
总结
subs-check项目中遇到的这一Mihomo文件保存问题,本质上是网络环境与本地服务访问之间的冲突。通过理解问题背后的技术原理,我们不仅能够解决当前问题,还能更好地规划系统架构,避免类似问题的再次发生。这一案例也提醒我们,在设计需要同时处理内外网请求的系统时,必须充分考虑网络环境下的各种边界情况。
ERNIE-4.5-VL-28B-A3B-ThinkingERNIE-4.5-VL-28B-A3B-Thinking 是 ERNIE-4.5-VL-28B-A3B 架构的重大升级,通过中期大规模视觉-语言推理数据训练,显著提升了模型的表征能力和模态对齐,实现了多模态推理能力的突破性飞跃Python00
Kimi-K2-ThinkingKimi K2 Thinking 是最新、性能最强的开源思维模型。从 Kimi K2 开始,我们将其打造为能够逐步推理并动态调用工具的思维智能体。通过显著提升多步推理深度,并在 200–300 次连续调用中保持稳定的工具使用能力,它在 Humanity's Last Exam (HLE)、BrowseComp 等基准测试中树立了新的技术标杆。同时,K2 Thinking 是原生 INT4 量化模型,具备 256k 上下文窗口,实现了推理延迟和 GPU 内存占用的无损降低。Python00
MiniMax-M2MiniMax-M2是MiniMaxAI开源的高效MoE模型,2300亿总参数中仅激活100亿,却在编码和智能体任务上表现卓越。它支持多文件编辑、终端操作和复杂工具链调用Python00
HunyuanVideo-1.5暂无简介00
MiniCPM-V-4_5MiniCPM-V 4.5 是 MiniCPM-V 系列中最新且功能最强的模型。该模型基于 Qwen3-8B 和 SigLIP2-400M 构建,总参数量为 80 亿。与之前的 MiniCPM-V 和 MiniCPM-o 模型相比,它在性能上有显著提升,并引入了新的实用功能Python00
Spark-Formalizer-X1-7BSpark-Formalizer 是由科大讯飞团队开发的专用大型语言模型,专注于数学自动形式化任务。该模型擅长将自然语言数学问题转化为精确的 Lean4 形式化语句,在形式化语句生成方面达到了业界领先水平。Python00
GOT-OCR-2.0-hf阶跃星辰StepFun推出的GOT-OCR-2.0-hf是一款强大的多语言OCR开源模型,支持从普通文档到复杂场景的文字识别。它能精准处理表格、图表、数学公式、几何图形甚至乐谱等特殊内容,输出结果可通过第三方工具渲染成多种格式。模型支持1024×1024高分辨率输入,具备多页批量处理、动态分块识别和交互式区域选择等创新功能,用户可通过坐标或颜色指定识别区域。基于Apache 2.0协议开源,提供Hugging Face演示和完整代码,适用于学术研究到工业应用的广泛场景,为OCR领域带来突破性解决方案。00