Agenta平台部署中的网络错误问题分析与解决方案
问题背景
在部署Agenta平台时,用户可能会遇到网络连接错误问题,表现为浏览器访问时出现"Network Error"提示。通过分析日志可以发现,该问题主要涉及RabbitMQ连接异常、Celery配置警告以及跨域访问限制等多方面因素。
问题现象分析
从系统日志中可以看到几个关键问题点:
-
RabbitMQ连接问题:Celery worker在启动时无法立即连接到RabbitMQ服务,出现"[Errno 111] Connection refused"错误。虽然最终连接成功,但初始连接失败可能导致服务不稳定。
-
Celery配置警告:系统提示多个Celery配置项即将在6.0版本中被弃用,包括broker_connection_retry设置等,这些警告虽不影响当前运行,但建议进行配置更新。
-
前端React警告:关于useLayoutEffect在服务端渲染中的使用警告,虽然不影响功能,但建议优化代码结构。
-
跨域访问限制:浏览器控制台显示"Access-Control-Allow-Origin"错误,这是导致用户无法正常访问Web界面的直接原因。
根本原因
经过深入分析,该问题的核心原因是环境变量配置不完整。Agenta平台需要正确设置以下两个关键环境变量才能正常访问:
- DOMAIN_NAME:需要设置为完整的访问地址(包括协议)
- BARE_DOMAIN_NAME:需要设置为纯域名或IP地址
当这些环境变量未正确配置时,会导致反向代理和前端服务无法正确处理跨域请求,从而引发网络错误。
解决方案
要彻底解决该问题,需要采取以下步骤:
-
设置正确的环境变量:
export DOMAIN_NAME="http://<您的服务器IP或域名>" export BARE_DOMAIN_NAME="<您的服务器IP或域名>" -
验证端口可用性: 确保指定的端口(默认为90)在服务器上未被占用且防火墙已放行。
-
服务重启: 配置完成后,需要重建并重启Docker容器以使更改生效:
docker compose down docker compose up -d --build
最佳实践建议
-
环境变量管理:建议将关键环境变量统一管理在.env文件中,而不是直接在命令行中设置。
-
端口选择:如果默认端口90不可用,可以选择其他端口(如91),但需要同时更新docker-compose.yml和环境变量中的端口配置。
-
日志监控:定期检查各服务的日志输出,及时发现并解决潜在问题。
-
版本兼容性:关注Celery和RabbitMQ的版本更新,及时调整配置以避免未来版本不兼容问题。
总结
Agenta平台部署过程中的网络连接问题通常与环境配置密切相关。通过正确设置DOMAIN_NAME和BARE_DOMAIN_NAME环境变量,可以有效解决跨域访问限制问题。同时,建议开发者关注服务日志中的警告信息,及时优化配置,确保平台稳定运行。
AutoGLM-Phone-9BAutoGLM-Phone-9B是基于AutoGLM构建的移动智能助手框架,依托多模态感知理解手机屏幕并执行自动化操作。Jinja00
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
GLM-4.6V-FP8GLM-4.6V-FP8是GLM-V系列开源模型,支持128K上下文窗口,融合原生多模态函数调用能力,实现从视觉感知到执行的闭环。具备文档理解、图文生成、前端重构等功能,适用于云集群与本地部署,在同类参数规模中视觉理解性能领先。Jinja00
HunyuanOCRHunyuanOCR 是基于混元原生多模态架构打造的领先端到端 OCR 专家级视觉语言模型。它采用仅 10 亿参数的轻量化设计,在业界多项基准测试中取得了当前最佳性能。该模型不仅精通复杂多语言文档解析,还在文本检测与识别、开放域信息抽取、视频字幕提取及图片翻译等实际应用场景中表现卓越。00
GLM-ASR-Nano-2512GLM-ASR-Nano-2512 是一款稳健的开源语音识别模型,参数规模为 15 亿。该模型专为应对真实场景的复杂性而设计,在保持紧凑体量的同时,多项基准测试表现优于 OpenAI Whisper V3。Python00
GLM-TTSGLM-TTS 是一款基于大语言模型的高质量文本转语音(TTS)合成系统,支持零样本语音克隆和流式推理。该系统采用两阶段架构,结合了用于语音 token 生成的大语言模型(LLM)和用于波形合成的流匹配(Flow Matching)模型。 通过引入多奖励强化学习框架,GLM-TTS 显著提升了合成语音的表现力,相比传统 TTS 系统实现了更自然的情感控制。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