04_Dify 单独启动前端 Docker 容器

优质文章学习记录

— 3 min read
04_Dify 单独启动前端 Docker 容器

前言

本文介绍了在前后端分离开发场景下，部署Dify前端服务的两种Docker化方案。一是直接使用官方DockerHub镜像启动前端容器，支持最新版或指定版本，并配置后端API地址；二是通过源码本地构建自定义镜像后再启动。两种方法均通过环境变量配置控制台与应用的API连接，并提供了本地访问验证方式，适合后端开发者专注业务逻辑时快速启用前端界面。

一、直接使用 DockerHub 镜像

当单独开发后端时，可能只需要源码启动后端服务，而不需要本地构建前端代码并启动，因此可以直接通过拉取 docker 镜像并启动容器的方式来启动前端服务。

1.1 启动后端服务

查看教程：👉 Dify开源版使用源代码本地启动（一至五部分）

查看教程：👉 dify-plugin-daemon使用源码启动图文教程

1.2 使用 DockerHub 镜像启动前端 Docker 容器

获取最新版本

docker run -it -p 3000:3000 -e CONSOLE_API_URL=http://127.0.0.1:5001 -e APP_API_URL=http://127.0.0.1:5001 langgenius/dify-web:latest

获取指定版本，搜索：
langgenius/dify-web Tags | Docker Hub

在这里插入图片描述
docker run -it -p 3000:3000 -e CONSOLE_API_URL=http://127.0.0.1:5001 -e APP_API_URL=http://127.0.0.1:5001 langgenius/dify-web:1.4.3
在这里插入图片描述

二、使用源码构建 Docker 镜像

开发者首先需进入前端源码目录，使用docker build命令构建自定义镜像（例如命名为dify-web），随后再以类似方式运行容器。该方案同样提供了灵活的环境变量配置，并特别说明当控制台与应用的访问域名不一致时，可通过CONSOLE_URL和APP_URL变量分别进行设置。

2.1 构建前端镜像

cd web &&docker build . -t dify-web

2.2 启动前端镜像

docker run -it -p 3000:3000 -e CONSOLE_API_URL=http://127.0.0.1:5001 -e APP_API_URL=http://127.0.0.1:5001 dify-web

2.3 控制台域名设置

当控制台域名和 Web APP 域名不一致时，可单独设置 CONSOLE_URL 和 APP_URL

2.4 本地访问

访问地址：http://127.0.0.1:3000

在这里插入图片描述

登录成功：

在这里插入图片描述

三、总结

两种方案均将容器端口映射到主机的3000端口，启动后可通过访问 http://127.0.0.1:3000 来验证前端服务是否正常运行并登录。总而言之，第一种方案以极致的便捷性取胜，适合追求效率的标准开发流程；第二种方案则以构建的自主性和配置的灵活性见长。这两种互补的方案共同构成了一套实用工具箱，有效提升了Dify在前后端分离模式下的开发与部署效率。

Read more

【PX4+QGroundControl+MAVROS+Gazebo】PX4控制在Gazebo中控制自己的无人机

目录 前言 一、PX4、MAVROS、QGroundControl之间的关系 1.1 Gazebo与PX4通信 1.2 PX4与QGroundControl通信 1.3 总结 二、实现过程【以阿木实验室P230为例】 2.1 仿真环境 2.2 模型建立 2.3 建立gazebo和MAVROS之间的连接 2.4 建立MAVROS和PX4之间的连接 2.5 验证实验结果 三、一个失败的地方 总结 前言 笔者在准备用阿木实验室-P230无人机仿真的时候，发现官方给的该无人机仿真的代码依赖于该公司的Prometheus、Prometheus-PX4以及QGroundControl软件。但是笔者日后想把自己的项目上传到Github上，如果把整个阿木实验室的PX4上传上去显得不现实，且也占很大存储。因此，笔者会从小白的角度【因为笔者也是Green Bird】，介绍将自己的无人机连接PX4的办法。以下内容仅供参考，若有误，
宇树VR遥操与IL——从遥操程序xr_teleoperate到unitree_IL_lerobot：如何基于G1进行manipulation开发

宇树VR遥操与IL——从遥操程序xr_teleoperate到unitree_IL_lerobot：如何基于G1进行manipulation开发

前言 如之前的文章所述，我司「七月在线」正在并行开发多个订单，目前正在全力做好每一个订单，因为保密协议的原因，暂时没法拿出太多细节出来分享 但可以持续解读我们所创新改造或二次开发的对象，即解读paper和开源库「当然 有些paper/库还没开始用，但也可以提前解读，作为关注了解」 而对于我司人形开发的订单，截止到25年4月，背后的机器人多半基于这几家：宇树、智元、傅利叶、乐聚「之所以用的这几家，一半因为我和这些公司熟，一半因为客户已有其中某一家或某几家的本体 需在其基础上做定制开发，如其它厂商看到 有兴趣合作，欢迎私我，比如星动纪元、星海图、众擎等等」 * 通过此文《Fourier-Lerobot——把斯坦福人形动作策略iDP3封装进了Lerobot(含我司七月的idp3落地实践)》可知，傅利叶 把idp3 装进了lerobot * 类似的，宇树 通过此开源库「unitree_IL_lerobot」，也把lerobot 集成了下 该库包含了π0策略 且无论咱们是用傅利叶集成的lerobot—
论文阅读 | MiniCPM-o | RLAIF-V开源AI反馈助力模型可信度超越GPT-4V

论文阅读 | MiniCPM-o | RLAIF-V开源AI反馈助力模型可信度超越GPT-4V

论文地址：https://arxiv.org/pdf/2405.17220 发布时间：2024年5月27日 =》2025 年 10 月 29 日 v3版本 论文主要由豆包AI翻译 论文总结 核心目标 解决现有多模态大语言模型的幻觉问题，突破传统RLHF依赖人工标注、现有RLAIF依赖专有模型的局限，通过全开源范式构建高质量反馈，实现模型可信度与人类偏好的对齐。 核心创新 1. 去混淆响应生成：相同条件下多轮采样解码，消除文本风格干扰，凸显可信度真实差异； 2. 分而治之反馈标注：将响应拆解为原子声明，转换为极性问题评估，降低开源模型标注难度； 3. 迭代反馈学习：动态更新反馈分布，解决DPO训练中的分布偏移问题； 4. 推理自反馈机制：利用DPO对齐模型的奖励分数，结合长度归一化策略，优化推理阶段性能。 关键结果 1. 幻觉抑制显著：RLAIF-V 7B将物体幻觉率降低80.7%

低代码治理之道：构建 Power Platform 中心化管控与创新平衡的体系

在企业数字化转型进程中，Power Platform 凭借 “低代码、高敏捷” 的特性成为业务创新的核心工具，但 “人人皆可开发” 的模式也带来了治理真空的严峻挑战：应用杂乱无章、数据安全失控、合规风险凸显、成本无序增长，最终导致 “创新红利” 被 “治理乱象” 抵消。本文将围绕治理框架设计、CoE（中心卓越团队）建设、安全审查流程、成本控制机制四大核心，拆解 Power Platform 中心化管控体系的构建方法，结合实战代码范例，帮助企业实现 “管控不僵化、创新不越界” 的治理平衡。 一、核心认知：Power Platform 治理真空的根源与破局思路 Power Platform 治理真空的本质是 “去中心化创新” 与 “中心化管控” 的失衡，具体表现为： * 缺乏统一的治理框架，应用开发无标准、无审批、