Gradle Cargo 插件技术文档
1. 安装指南
1.1 添加插件到构建脚本
要使用 Gradle Cargo 插件,首先需要将其二进制文件添加到构建脚本的类路径中。插件可以在 Gradle 插件门户中找到。以下代码片段展示了如何使用 buildscript 语法来获取插件:
buildscript {
repositories {
gradlePluginPortal()
}
dependencies {
classpath 'com.bmuschko:gradle-cargo-plugin:2.9.0'
}
}
1.2 应用插件
插件 JAR 文件包含两个插件:
- com.bmuschko.cargo-base:提供 Cargo 自定义任务类型、预配置类路径和部署项。
- com.bmuschko.cargo:提供一组本地和远程 Cargo 任务,并公开扩展以进行配置。
大多数用户会选择使用 com.bmuschko.cargo 插件,因为它可以快速上手。以下是应用该插件的代码示例:
apply plugin: 'com.bmuschko.cargo'
如果你需要完全控制部署任务,可以使用 com.bmuschko.cargo-base 插件。以下是应用该插件的代码示例:
apply plugin: 'com.bmuschko.cargo-base'
1.3 配置 Cargo 版本
com.bmuschko.cargo-base 插件已经为 Cargo 设置了依赖项,并选择了一个默认版本的库。你也可以定义自定义版本的 Cargo 库。以下示例展示了如何使用 Cargo 1.9.10 版本:
dependencies {
def cargoVersion = '1.9.10'
cargo "org.codehaus.cargo:cargo-core-uberjar:$cargoVersion",
"org.codehaus.cargo:cargo-licensed-dtds:$cargoVersion",
"org.codehaus.cargo:cargo-ant:$cargoVersion"
}
2. 项目使用说明
2.1 插件功能
Gradle Cargo 插件通过利用 Cargo Ant 任务,为任何给定的 Gradle 构建提供了将 Web 应用程序部署到本地和远程容器的能力。该插件支持 WAR 和 EAR 工件。
2.2 典型用例
该插件的典型用例是支持开发过程中的部署。需要注意的是,Cargo 使用热部署,随着时间的推移,这会填满运行容器的 JVM 进程的 PermGen 内存,最终导致 java.lang.OutOfMemoryError。
2.3 容器管理
Cargo 支持通过 Cargo daemon 进行容器管理(启动/停止远程容器)。然而,在持续部署场景中,通常需要执行更复杂的操作。
3. 项目 API 使用文档
3.1 预定义任务
cargo 插件预定义了以下任务:
| 任务名称 | 依赖任务 | 类型 | 描述 |
|---|---|---|---|
| cargoDeployRemote | - | CargoDeployRemote | 将可部署项部署到远程容器。 |
| cargoUndeployRemote | - | CargoUndeployRemote | 从远程容器中取消部署可部署项。 |
| cargoRedeployRemote | - | CargoRedeployRemote | 重新部署可部署项到远程容器。 |
| cargoRunLocal | - | CargoRunLocal | 启动本地容器,部署可部署项并等待停止。 |
| cargoStartLocal | - | CargoStartLocal | 启动本地容器,部署可部署项并执行任务。 |
| cargoRedeployLocal | - | CargoRedeployLocal | 在本地容器上重新部署可部署项。 |
| cargoStopLocal | - | CargoStopLocal | 停止本地容器。 |
| cargoConfigureLocal | - | CargoConfigureLocal | 配置本地容器。 |
3.2 扩展属性
cargo 插件定义了以下约定属性:
containerId:目标容器的 ID。port:容器响应的 TCP 端口(默认为 8080)。
你可以在 cargo 闭包中定义 1..n 个部署工件的可选属性,每个部署工件在其自己的闭包中指定:
file:可以传递给Project.files(Object...)的任何类型,并解析为单个文件或目录。context:容器处理 Web 应用程序的 URL 上下文(默认为 WAR/EAR 名称)。
4. 项目安装方式
4.1 本地安装
要安装本地容器,可以使用 cargoRunLocal 或 cargoStartLocal 任务。以下是一个示例:
cargo {
containerId = 'tomcat9x'
port = 8080
local {
jvmArgs = '-Xmx512m'
outputFile = file('build/output.log')
logFile = file('build/cargo.log')
logLevel = 'high'
}
}
4.2 远程安装
要安装远程容器,可以使用 cargoDeployRemote 任务。以下是一个示例:
cargo {
containerId = 'tomcat9x'
port = 8080
remote {
protocol = 'http'
hostname = 'remote-server'
username = 'admin'
password = 'password'
}
}
通过以上步骤,你可以成功安装并使用 Gradle Cargo 插件进行本地和远程容器的部署。
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