在自定义Caddy镜像中集成caddy-docker-proxy插件的方法
背景介绍
Caddy-docker-proxy是一个强大的插件,它允许Caddy服务器通过读取Docker容器的标签来自动配置反向代理。当我们需要在标准Caddy镜像基础上添加额外功能时,比如DNS提供商插件或其他中间件,就需要创建自定义镜像。
常见问题场景
许多开发者在尝试构建包含caddy-docker-proxy和其他插件的自定义Caddy镜像时,会遇到插件看似安装成功但实际上未生效的情况。这通常表现为容器启动后没有预期的代理配置日志输出。
解决方案
正确的Dockerfile构建方法
构建包含caddy-docker-proxy和其他插件的自定义镜像,推荐使用以下Dockerfile结构:
FROM caddy:2
# 使用caddy内置命令添加所需插件
RUN caddy add-package \
github.com/lucaslorentz/caddy-docker-proxy/v2 \
github.com/caddy-dns/ovh \
github.com/hairyhenderson/caddy-teapot-module
# 设置容器启动命令
CMD ["caddy", "docker-proxy"]
关键注意事项
-
插件加载顺序:虽然插件加载顺序通常不影响功能,但建议将核心插件(caddy-docker-proxy)放在前面
-
版本兼容性:确保所有插件版本与Caddy主版本兼容
-
构建缓存问题:修改Dockerfile后,务必清除构建缓存或使用
--no-cache选项重建镜像 -
启动命令:必须明确指定
docker-proxy作为启动命令,这是caddy-docker-proxy的工作模式
验证方法
构建完成后,可以通过以下方式验证插件是否正确加载:
-
进入容器执行
caddy list-modules,检查输出中是否包含所有添加的插件 -
查看容器日志,正常情况应显示Docker容器配置解析和加载过程
-
检查Caddy管理API端点(默认2015端口)的配置信息
高级技巧
对于需要频繁更新插件的场景,可以考虑:
-
使用多阶段构建减少最终镜像大小
-
创建基础镜像包含常用插件,其他服务镜像基于此构建
-
在CI/CD流水线中自动测试新构建的镜像功能
总结
通过正确的方法构建包含caddy-docker-proxy的自定义Caddy镜像,可以灵活扩展Caddy的功能,同时保留自动配置Docker容器的便利性。关键在于确保插件正确编译并指定适当的启动命令。遇到问题时,建议逐步验证各构建环节,特别注意镜像缓存可能带来的影响。
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
unified-cache-managementUnified Cache Manager(推理记忆数据管理器),是一款以KV Cache为中心的推理加速套件,其融合了多类型缓存加速算法工具,分级管理并持久化推理过程中产生的KV Cache记忆数据,扩大推理上下文窗口,以实现高吞吐、低时延的推理体验,降低每Token推理成本。Python03
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
Spark-Prover-7BSpark-Prover-7B is a 7B-parameter large language model developed by iFLYTEK for automated theorem proving in Lean4. It generates complete formal proofs for mathematical theorems using a three-stage training framework combining pre-training, supervised fine-tuning, and reinforcement learning. The model achieves strong formal reasoning performance and state-of-the-art results across multiple theorem-proving benchmarksPython00
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-7BSpark-Formalizer-7B is a 7B-parameter large language model by iFLYTEK for mathematical auto-formalization. It translates natural-language math problems into precise Lean4 formal statements, achieving high accuracy and logical consistency. The model is trained with a two-stage strategy combining large-scale pre-training and supervised fine-tuning for robust formal reasoning.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- HHowToCook程序员在家做饭方法指南。Programmer's guide about how to cook at home (Chinese only).Dockerfile014
Spark-Scilit-X1-13B科大讯飞Spark Scilit-X1-13B基于最新一代科大讯飞基础模型,并针对源自科学文献的多项核心任务进行了训练。作为一款专为学术研究场景打造的大型语言模型,它在论文辅助阅读、学术翻译、英语润色和评论生成等方面均表现出色,旨在为研究人员、教师和学生提供高效、精准的智能辅助。Python00- PpathwayPathway is an open framework for high-throughput and low-latency real-time data processing.Python00