Leantime Docker 安装与使用指南
目录结构及介绍
当你克隆或下载了 docker-leantime 开源项目之后,你会看到以下主要目录和文件:
根目录
在根目录中,包含了整个项目的 Dockerfile 和一些基本配置文件。其中:
-
Dockerfile: 这是构建 Docker 镜像时使用的文件,定义了镜像的基础环境和安装步骤。
-
docker-compose.yml: 此文件用于配置多个容器间的依赖关系,可以便捷地管理多服务架构。
src/leantime/
这个目录里存放着 Leantime 应用的核心代码:
-
app/: 包含应用逻辑的主要部分,如控制器、模型和服务层等。
-
vendor/: 存储通过 Composer 安装的所有第三方库。
data/
此目录用来存储运行时数据,例如数据库文件和上传的资源。
启动文件介绍
为了运行 Leantime 的 Docker 环境,你将主要依赖于 docker-compose.yml 文件。它定义了一系列容器及其配置,包括 web 服务器(Nginx)、PHP FPM、MySQL 数据库以及 Leantime 自身的应用容器。
要启动整个系统,只需执行以下命令:
docker-compose up -d
这条指令将会创建并运行所有定义好的容器,在后台模式下运行,使得它们可以在没有直接终端连接的情况下持续运行。
配置文件介绍
docker-compose.yml
这是管理 Leantime Docker 部署的关键文件。让我们详细看看其组成部分:
主要服务定义
-
web: 这个服务负责运行 Nginx web 服务器,用于提供静态内容和代理到 PHP-FPM。
-
php: 此服务基于 PHP FPM 构建,是处理动态页面请求的地方。
-
db: MySQL 数据库服务,用于存储 Leantime 的数据。
-
leantime: 这就是实际运行 Leantime 应用的容器。
网络配置
定义了一个网络来确保这些服务能够相互通信。
卷映射
卷映射允许宿主机上的文件夹被挂载到容器内部,确保数据的持久性。对于 leantime 和 db 服务尤其重要,以保存应用状态和数据库内容。
以上所述概览了如何从零开始部署并理解 Leantime Docker 版本的基本设置。希望这能够帮助你快速上手并定制自己的开发或生产环境。如果有任何问题或需要进一步的帮助,请参阅 Leantime Docker 项目仓库 中的详细文档和示例。
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
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
MiniMax-M2MiniMax-M2是MiniMaxAI开源的高效MoE模型,2300亿总参数中仅激活100亿,却在编码和智能体任务上表现卓越。它支持多文件编辑、终端操作和复杂工具链调用Python00
HunyuanVideo-1.5暂无简介00
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-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
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