Bolt.diy 项目中使用 Ollama 模型连接失败的解决方案
问题背景
在使用 Bolt.diy 项目时,许多开发者遇到了"WARN Constants Failed to get Ollama models: fetch failed"的警告信息。这个错误通常出现在尝试集成 Ollama 本地大语言模型服务时,表明前端应用无法成功连接到后端的 Ollama 服务。
错误原因分析
经过对多个开发者反馈的分析,我们发现这个问题主要由以下几个原因导致:
-
基础URL配置错误:开发者经常混淆 Bolt.diy 的前端服务地址和 Ollama 的后端服务地址。Bolt.diy 默认运行在 5173 端口,而 Ollama 服务默认运行在 11434 端口。
-
本地主机地址解析问题:使用"localhost"作为主机地址在某些系统环境下可能会遇到 IPv6 解析问题,导致连接失败。
-
环境变量与UI设置冲突:当同时在环境变量(.env文件)和UI设置中配置Ollama基础URL时,可能会出现配置覆盖问题。
解决方案
正确的Ollama基础URL配置
-
确认Ollama服务运行状态:
- 首先确保Ollama服务已在本地正常运行
- 可以通过命令行执行
ollama list来验证服务是否可用
-
配置正确的URL:
- 在Bolt.diy的设置中,Ollama基础URL应配置为:
http://127.0.0.1:11434 - 避免使用
localhost作为主机名,因为某些系统可能存在IPv6解析问题
- 在Bolt.diy的设置中,Ollama基础URL应配置为:
-
环境变量配置:
- 在项目的.env文件中添加:
OLLAMA_API_BASE_URL=http://127.0.0.1:11434 - 确保UI设置中的Ollama基础URL字段为空,否则会覆盖环境变量中的设置
- 在项目的.env文件中添加:
配置验证步骤
- 打开Bolt.diy应用
- 点击左下角的设置图标
- 在设置界面的"Ollama Base URL"字段中,确保输入的是
http://127.0.0.1:11434 - 或者保持该字段为空,确保使用.env文件中的配置
- 保存设置并重启应用
常见问题排查
如果按照上述步骤配置后仍然出现问题,可以尝试以下排查方法:
-
检查端口占用:
- 确认11434端口没有被其他程序占用
- 可以使用
netstat -ano | findstr 11434(Windows)或lsof -i :11434(Mac/Linux)检查端口状态
-
验证Ollama服务可访问性:
- 在浏览器中访问
http://127.0.0.1:11434/api/tags,应该能看到返回的模型列表JSON数据
- 在浏览器中访问
-
防火墙设置:
- 确保防火墙没有阻止对11434端口的访问
- 临时关闭防火墙测试是否是防火墙导致的问题
-
查看日志信息:
- 检查Bolt.diy和Ollama的服务日志,寻找更详细的错误信息
技术原理
Bolt.diy与Ollama的集成是通过REST API实现的。当Bolt.diy启动时,它会尝试向配置的Ollama基础URL发送请求,获取可用的模型列表。这个过程中:
- 前端应用向后端服务发送HTTP请求
- 后端服务将请求转发到Ollama服务
- Ollama服务返回模型列表数据
- 前端应用接收并处理这些数据
当这个通信链中的任何一个环节出现问题,就会导致"fetch failed"错误。最常见的原因是网络连接问题或URL配置错误。
最佳实践
-
统一配置来源:建议只在一个地方配置Ollama基础URL,要么在.env文件中,要么在UI设置中,避免两者同时配置导致冲突。
-
使用固定IP地址:在本地开发环境中,使用
127.0.0.1比localhost更可靠,因为它直接映射到IPv4回环地址,避免了可能的DNS解析问题。 -
服务启动顺序:确保Ollama服务在Bolt.diy应用启动前已经运行,避免因服务未就绪导致的连接失败。
-
版本兼容性:定期更新Bolt.diy和Ollama到最新版本,确保API兼容性。
通过以上方法和理解,开发者应该能够成功解决Bolt.diy与Ollama集成时的连接问题,顺利使用本地大语言模型功能。
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