Earthly项目在WSL/Windows环境下的远程服务网络问题解析
背景介绍
Earthly是一个现代化的构建工具,它结合了Docker和Makefile的优点,为开发者提供了声明式的构建方式。在Windows Subsystem for Linux (WSL)环境下使用Earthly时,可能会遇到远程服务(remote service)的网络连接问题。
问题现象
当用户在WSL/Windows环境中运行Earthly构建时,可能会遇到以下错误信息:
Error: pull ping error: pull ping response: rpc error: code = Unknown desc = image pull: 1 error occurred:
* command failed: docker pull 127.0.0.1:42179/sess-czoisa46fhoamaovicc1fa3v3/pullping:img-0: exit status 1: Error response from daemon: Get "http://127.0.0.1:42179/v2/": dial tcp 127.0.0.1:42179: connect: connection refused: exit status 1
这个错误表明Earthly尝试通过本地回环地址(127.0.0.1)访问Docker服务时失败了,因为连接被拒绝。
技术原理分析
在WSL/Windows环境中,网络栈的工作方式与纯Linux环境有所不同。WSL2使用了一个轻量级的虚拟机,有自己的网络栈,而Windows主机则运行在另一个网络栈中。当Earthly尝试通过127.0.0.1访问服务时,这个地址在WSL环境中指向的是WSL虚拟机本身,而不是Windows主机。
临时解决方案
对于遇到此问题的用户,可以设置以下环境变量作为临时解决方案:
EARTHLY_DISABLE_REMOTE_SERVICE=true
这个设置会禁用远程服务功能,绕过这个问题,但可能会影响某些Earthly功能的完整使用体验。
根本解决方案
经过技术验证,发现可以使用socat工具作为网络连接工具来解决这个问题。具体原理是:
- 在Windows主机上运行一个HTTP服务(如Python的内置HTTP服务器)
- 在Docker容器中运行socat,将容器端口映射到主机的服务端口
- 通过特殊的"host.docker.internal"主机名访问Windows主机服务
这种方案利用了Docker for Windows提供的特殊网络功能,使得容器内的应用能够访问主机服务。
实现细节
Earthly项目团队已经通过以下方式解决了这个问题:
- 在Windows/WSL环境下自动检测网络配置
- 在需要时自动创建socat连接容器
- 将原本直接访问127.0.0.1的请求重定向到通过socat连接访问host.docker.internal
这种解决方案与Earthly在macOS环境下处理类似网络问题的方式保持一致,提高了跨平台的一致性。
总结
WSL/Windows环境下的网络隔离特性导致Earthly的远程服务功能无法正常工作。通过引入socat作为网络连接工具,Earthly能够在这种环境下提供完整的构建功能。这个问题的解决展示了Earthly团队对跨平台兼容性的重视,也体现了开源项目快速响应和解决用户问题的能力。
对于开发者来说,了解这类网络问题的根源有助于在遇到类似情况时更快地诊断和解决问题。同时,这也提醒我们在跨平台开发时要特别注意网络栈的差异。
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