Rin项目部署中Referer缺失问题的分析与解决
问题背景
在Rin项目部署过程中,用户报告了一个关于GitHub登录功能的问题:当使用自定义域名访问时,点击GitHub登录按钮后跳转至后端接口时出现"Referer not found"错误,而使用GitHub Pages自动分配的域名则一切正常。
问题分析
经过技术排查,发现该问题主要与HTTP响应头中的Referrer-Policy设置有关。以下是详细的技术分析:
-
Referer机制原理:HTTP Referer是HTTP请求头的一部分,用于标识请求来源。在OAuth等认证流程中,服务端常会验证Referer以确保请求来自可信来源。
-
问题根源:系统响应头中设置了
referrer-policy: same-origin策略,这导致跨域跳转时不携带Referer信息。当用户使用自定义域名时,前端与后端属于不同域,因此Referer被策略阻止。 -
环境差异:GitHub Pages默认域名能正常工作,是因为某些CDN服务只在自定义域名上生效,不会影响默认域名的请求。
解决方案
针对这一问题,我们提供了两种解决方案:
方案一:修改响应头策略
- 登录CDN控制台
- 进入"转换规则" > "修改响应头"
- 添加以下规则:
referrer-policy=strict-origin-when-cross-origin - 保存并等待配置生效
这个策略会在同源请求时发送完整URL作为Referer,跨域时只发送源信息,既解决了认证问题,又兼顾了隐私保护。
方案二:关闭安全标头
- 进入CDN控制台
- 导航至"规则" > "设置" > "HTTP响应头"
- 找到"添加安全性标头"选项并关闭
- 保存更改
这种方法会完全移除Referrer-Policy限制,但可能降低安全性,建议仅在临时测试时使用。
最佳实践建议
-
API_URL配置:确保Pages的API_URL末尾没有多余的斜杠,否则会导致路径解析错误(如出现//user/github的情况)。
-
CDN服务配置:检查CDN设置中的"删除外部引用方"选项,这可能是导致Referer丢失的潜在原因。
-
响应头优化:推荐使用
strict-origin-when-cross-origin策略,它在安全性和功能性之间取得了良好平衡。 -
测试验证:部署后应在不同环境下测试认证流程,包括:
- 默认Pages域名
- 自定义域名
- 移动设备访问
- 不同浏览器环境
通过以上分析和解决方案,开发者可以有效地解决Rin项目部署中的Referer缺失问题,确保GitHub登录等功能在所有环境下正常工作。
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