开发目录和交付目录更新镜像

###1. 先进入开发目录,重新构建 cosyvoice 镜像

powershell 复制代码
cd E:\My_Dream_2026_4_7\Flower_AI

docker build -t flower-ai/cosyvoice:latest .\docker\cosyvoice

这一步的作用是把你最新的:

powershell 复制代码
docker/cosyvoice/cosyvoice_server.py

重新打进镜像。

2. 进入交付 compose 目录

powershell 复制代码
cd E:\Aflower\compose

确认这里有:

powershell 复制代码
docker-compose.yml
.env

3. 停掉旧 cosyvoice 容器

powershell 复制代码
docker rm -f cosyvoice

4. 用交付版 compose 重新启动 cosyvoice

powershell 复制代码
docker compose up -d cosyvoice

这一步会读取:

powershell 复制代码
E:\Aflower\compose\.env

也就是:

powershell 复制代码
AFLOWER_HOME=E:/Aflower
FLOWER_INTERNAL_TOKEN=...

然后把:

powershell 复制代码
E:/Aflower/data/output/cosyvoice

挂到容器:

powershell 复制代码
/app/audio

5. 检查容器是否用了正确挂载

powershell 复制代码
docker inspect cosyvoice --format "{{json .Mounts}}"

你要看到:

powershell 复制代码
E:\Aflower\data\output\cosyvoice
-> /app/audio

6. 检查 token 是否进容器

powershell 复制代码
docker exec -it cosyvoice bash -lc "echo FLOWER_INTERNAL_TOKEN=$FLOWER_INTERNAL_TOKEN"

应该输出 .env 里的那串 token。

7. 检查音频目录

powershell 复制代码
docker exec -it cosyvoice bash -lc "ls -lh /app/audio | tail -20"

宿主机也查:

powershell 复制代码
dir E:\Aflower\data\output\cosyvoice

这两个应该同步。

不要混用这两个 compose

现在规则固定下来:

powershell 复制代码
开发目录 docker-compose.yml
只用于开发调试 / build 参考

交付目录 E:\Aflower\compose\docker-compose.yml
只用于启动运行环境

如果你要启动全部交付容器:

powershell 复制代码
cd E:\Aflower\compose
docker compose up -d

如果只更新 cosyvoice:

powershell 复制代码
cd E:\My_Dream_2026_4_7\Flower_AI
docker build -t flower-ai/cosyvoice:latest .\docker\cosyvoice

cd E:\Aflower\compose
docker rm -f cosyvoice
docker compose up -d --force-recreate cosyvoice

IDEA 的作用

IDEA 里加:

powershell 复制代码
-Daflower.home=E:/Aflower

只影响 Java 后端读取:

powershell 复制代码
E:\Aflower\data
E:\Aflower\license
E:\Aflower\logs

它不会自动更新 Docker 容器。

Docker 容器必须用:

powershell 复制代码
cd E:\Aflower\compose
docker compose up -d

来启动。

彻底关闭 ComfyUI-Manager,启动时移除:

powershell 复制代码
command: >
  sh -c "
    rm -rf /comfyui/custom_nodes/ComfyUI-Manager &&
    python main.py --listen 0.0.0.0 --port 8189 --enable-cors-header --lowvram
  "
相关推荐
luweis4 分钟前
企智孪生 ETA(3.3 认知算法层:ETA 的思维内核 3.4 基础架构:算力与弹性)【浙江联保网络 卢伟舜】
大数据·运维·线性代数·ai·矩阵·学习方法
aicat_cn7 分钟前
LLM Agent记忆最新综述!三阶段演进框架+两大前沿机制总结
ai·大模型
极客老王说Agent21 分钟前
屏幕理解能力是下一代自动化的关键吗?2026年自动化范式演进深度解析
运维·人工智能·ai·chatgpt·自动化
YueJoy.AI26 分钟前
低算力场景下中小企业接入大模型的商业化路径
人工智能·ai·语言模型
武子康1 小时前
调查研究-151 Slack vs Jira:区别、使用指南与团队选择方法
人工智能·科技·深度学习·ai·职场和发展·jira·slack
笨蛋©2 小时前
[实战] 2026年制造业数字化:图片格式图纸识别与质量检验计划自动化
ai·cad·质量管理·制造业·图纸识别
微山湖上静悄悄3 小时前
用 AI 编程助手从零生成 3D 智慧校园数据大屏 —— Claude Code 实战全记录
ai
深念Y4 小时前
多 Agent 对证循环协作架构:Hermes + Claude Code + Codex 三角色工作流实战
ai·工作流·codex·vibecoding·claudecode·skills·hermes
格桑阿sir4 小时前
09-大模型智能体开发工程师:结构化输出与JSON Schema
ai·大模型·llm·agent·json schema·智能体·结构化
GISer_Jing4 小时前
Claude Code插件系统全解析
前端·人工智能·ai·架构