Kroki.io项目中的diagramsnet支持现状与自托管方案
Kroki作为一个流行的图表渲染服务,提供了多种图表类型的支持。近期有用户尝试使用Kroki的diagramsnet功能来渲染简单的圆形图表时遇到了503错误,这揭示了Kroki.io在线服务与自托管版本在功能支持上的差异。
Kroki.io在线服务的限制
当用户尝试通过Kroki.io的API端点渲染diagramsnet图表时,服务返回了"Error 503: Connection refused"的错误。这实际上是因为Kroki.io的在线版本目前尚未部署diagramsnet渲染器。diagramsnet(原draw.io)作为一款功能强大的图表工具,其渲染过程需要消耗较多的CPU和内存资源,在公共托管环境中运行会产生较高的运营成本。
自托管解决方案
虽然在线服务暂不支持,但Kroki项目已经提供了完整的diagramsnet支持方案。通过Docker Compose可以轻松搭建包含diagramsnet功能的完整Kroki服务栈:
version: "3"
services:
kroki:
image: yuzutech/kroki
depends_on:
- mermaid
- bpmn
- excalidraw
- diagramsnet
environment:
- KROKI_MERMAID_HOST=mermaid
- KROKI_BPMN_HOST=bpmn
- KROKI_EXCALIDRAW_HOST=excalidraw
- KROKI_DIAGRAMSNET_HOST=diagramsnet
ports:
- "8000:8000"
diagramsnet:
image: yuzutech/kroki-diagramsnet
expose:
- "8005"
# 其他服务配置...
这种自托管方式不仅解决了diagramsnet的支持问题,还提供了完整的图表渲染能力。部署后,用户可以通过本地端口8000访问Kroki服务,并成功渲染出SVG格式的圆形图表。
技术实现分析
diagramsnet的渲染器运行在独立的容器中,通过8005端口提供服务。Kroki主服务通过环境变量配置与各渲染器的连接方式,实现了模块化的架构设计。这种设计使得:
- 各图表渲染器可以独立更新和扩展
- 资源使用可以按需分配
- 故障隔离性更好,单个渲染器问题不会影响整体服务
总结与建议
对于需要diagramsnet支持的用户,目前推荐采用自托管方案。虽然Kroki.io的在线服务暂不包含此功能,但开源项目已经提供了完善的技术实现。自托管方式不仅能够获得完整功能,还能根据实际需求调整资源配置,是技术团队更灵活的选择。
随着项目发展,未来Kroki.io可能会在资源允许的情况下增加对diagramsnet的在线支持,但在此之前,自托管方案已经能够很好地满足专业用户的需求。
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