Attune 项目安装与配置指南
1. 项目基础介绍
Attune 是一个用于安全发布和托管 Linux 软件包的工具。它支持自托管软件包仓库或使用其托管的云基础设施。Attune 的设计注重安全性,它的命令行界面 (CLI) 可以在本地对仓库索引进行签名,这样用户可以拥有自己的签名密钥,而不需要暴露它们。此外,Attune 支持增量仓库索引重建,使得添加和删除软件包变得非常快速。目前,Attune 支持 APT (Debian 和 Ubuntu) 仓库的发布,更多类型的仓库支持即将推出。
该项目主要使用以下编程语言:
- Rust
- Go
- PLpgSQL
2. 关键技术和框架
- Docker: 用于容器化应用,简化部署流程。
- GnuPG (gpg): 用于加密和签名软件包,确保软件发布的安全性。
- Rust/Go: 主要的后端开发语言,用于构建 Attune 的核心功能。
- PLpgSQL: 可能用于数据库相关的操作。
3. 安装和配置准备工作
在开始安装之前,请确保您的系统中已经安装了以下工具:
- Docker
- GnuPG (gpg)
安装步骤
-
克隆仓库:首先,您需要从 GitHub 克隆 Attune 仓库到本地。
git clone git@github.com:attunehq/attune.git && cd attune -
配置环境变量:接下来,复制
.env.example文件为.env,并根据您的部署需求修改这些值,特别是ATTUNE_SECRET。cp .env.example .env -
启动控制平面和服务:使用 Docker Compose 启动 Attune 的控制平面和相关服务。
docker compose up -d -
安装 Attune CLI:从 GitHub Releases 下载 Attune CLI 并安装。
-
创建一个仓库:使用 Attune CLI 创建一个新的仓库。
attune repo create -u 'http://localhost:9000/debian' -d bookworm -
准备一个
.deb软件包:您可以从网上下载一个示例软件包,比如https://cdn.teleport.dev/teleport_17.4.4_arm64.deb。 -
将软件包添加到仓库:将准备好的
.deb软件包添加到您创建的仓库中。attune repo pkg -r 1 add -c stable/v17 /path/to/your/teleport_17.4.4_arm64.deb -
生成 GPG 密钥(如果需要):使用以下命令生成一个 GPG 密钥。
gpg --generate-key -
获取密钥 ID:列出您的秘密密钥,找到您想要用于签名的密钥 ID。
gpg --list-secret-keys -
导出签名密钥:导出您的签名密钥,替换
$KEYID为您的密钥 ID。gpg --armor --export-secret-keys --output demo-key.asc $KEYID -
签名并部署仓库:使用您的签名密钥签名并部署仓库。
attune repo -r 1 sync -k demo-key.asc
恭喜!您已经完成了 Attune 的安装和配置。如需更多详细设置和配置选项,请参考用户指南。
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
Spark-Prover-7BSpark-Prover 是由科大讯飞团队开发的专用大型语言模型,专为 Lean4 中的自动定理证明而设计。该模型采用创新的三阶段训练策略,显著增强了形式化推理能力,在同等规模的开源模型中实现了最先进的性能。Python00
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-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