解决chatgpt-web-midjourney-proxy项目中文件上传404问题
在使用chatgpt-web-midjourney-proxy项目时,用户可能会遇到文件上传失败的问题,特别是在Docker部署环境下。本文将深入分析问题原因并提供解决方案。
问题现象
当用户通过Docker部署chatgpt-web-midjourney-proxy项目后,虽然能够正常上传图片并使用gpt-4-vision-preview模型进行识图,但在尝试使用gpt-4-all模型或GPTs上传PDF文件时,系统会返回"上传失败:Request failed with status code 404"的错误提示。
问题根源分析
经过排查,发现这个问题主要与项目的API路由配置和环境变量设置有关。具体原因如下:
-
API路由冲突:当同时在前端UI界面和服务端设置OPENAI_API_BASE_URL时,会导致上传请求被错误地路由到中转接口而非本地文件上传处理接口。
-
环境变量优先级:Docker容器中虽然设置了API_UPLOADER=1环境变量启用了上传功能,但前端UI中的设置会覆盖这个配置。
解决方案
要解决这个问题,可以采取以下步骤:
-
统一API配置:避免在前端UI和服务端同时设置OPENAI_API_BASE_URL。最佳实践是只在一个地方配置API基础地址。
-
正确启用上传功能:确保Docker运行命令中包含以下关键参数:
-e API_UPLOADER=1 -v /data/uploads:/app/uploads这会在容器中启用文件上传功能,并将上传目录映射到宿主机。
-
检查路由配置:确认上传请求被正确路由到本地上传处理接口而非中转API。
最佳实践建议
-
部署配置:推荐使用以下Docker部署命令:
docker run --name chatgpt-web-midjourney-proxy -d -p 6015:3002 \ -e OPENAI_API_KEY=your_api_key \ -e OPENAI_API_BASE_URL=https://api.openai.com \ -e API_UPLOADER=1 \ -v /data/uploads:/app/uploads \ ydlhero/chatgpt-web-midjourney-proxy -
前端配置:在前端UI中,应保持服务端配置为空或与Docker环境变量一致,避免产生冲突。
-
权限检查:确保宿主机上的/data/uploads目录对Docker容器有读写权限。
总结
文件上传功能失效通常是由于配置冲突或路由错误导致的。通过统一API配置、正确设置环境变量和检查文件系统权限,可以解决大多数上传问题。对于chatgpt-web-midjourney-proxy项目,特别需要注意避免在前端UI和服务端重复设置API基础地址,这是导致404错误的常见原因。
GLM-5智谱 AI 正式发布 GLM-5,旨在应对复杂系统工程和长时域智能体任务。Jinja00
GLM-5-w4a8GLM-5-w4a8基于混合专家架构,专为复杂系统工程与长周期智能体任务设计。支持单/多节点部署,适配Atlas 800T A3,采用w4a8量化技术,结合vLLM推理优化,高效平衡性能与精度,助力智能应用开发Jinja00
请把这个活动推给顶尖程序员😎本次活动专为懂行的顶尖程序员量身打造,聚焦AtomGit首发开源模型的实际应用与深度测评,拒绝大众化浅层体验,邀请具备扎实技术功底、开源经验或模型测评能力的顶尖开发者,深度参与模型体验、性能测评,通过发布技术帖子、提交测评报告、上传实践项目成果等形式,挖掘模型核心价值,共建AtomGit开源模型生态,彰显顶尖程序员的技术洞察力与实践能力。00
Kimi-K2.5Kimi K2.5 是一款开源的原生多模态智能体模型,它在 Kimi-K2-Base 的基础上,通过对约 15 万亿混合视觉和文本 tokens 进行持续预训练构建而成。该模型将视觉与语言理解、高级智能体能力、即时模式与思考模式,以及对话式与智能体范式无缝融合。Python00
MiniMax-M2.5MiniMax-M2.5开源模型,经数十万复杂环境强化训练,在代码生成、工具调用、办公自动化等经济价值任务中表现卓越。SWE-Bench Verified得分80.2%,Multi-SWE-Bench达51.3%,BrowseComp获76.3%。推理速度比M2.1快37%,与Claude Opus 4.6相当,每小时仅需0.3-1美元,成本仅为同类模型1/10-1/20,为智能应用开发提供高效经济选择。【此简介由AI生成】Python00
Qwen3.5Qwen3.5 昇腾 vLLM 部署教程。Qwen3.5 是 Qwen 系列最新的旗舰多模态模型,采用 MoE(混合专家)架构,在保持强大模型能力的同时显著降低了推理成本。00- RRing-2.5-1TRing-2.5-1T:全球首个基于混合线性注意力架构的开源万亿参数思考模型。Python00