Sandbox 项目技术文档
2024-12-20 06:29:13作者:曹令琨Iris
1. 安装指南
1.1 使用 npm 安装
要安装 sandbox 项目,可以使用 npm 进行安装:
npm install --save sandbox
1.2 跳过二进制文件下载
默认情况下,安装过程中会尝试下载对应平台的二进制文件。如果你希望跳过这一步骤,可以通过设置环境变量 SANDBOX_SKIP_DOWNLOAD 来实现:
env SANDBOX_SKIP_DOWNLOAD=1 npm install --save sandbox
1.3 手动构建
如果你选择手动构建项目,首先需要确保已经安装了 Rust 工具链。可以通过以下步骤安装 Rust:
- 访问 Rust 安装页面 并按照说明进行安装。
- 安装完成后,运行以下命令进行构建:
npm run build
构建完成后,编译的二进制文件将被移动到 ./index.node,此时你可以使用 sandbox 并运行测试:
npm test
2. 项目使用说明
2.1 基本用法
sandbox 是一个用于在 Node.js 中安全执行不受信任代码的工具。以下是一个简单的使用示例:
const s = new Sandbox();
s.eval("const o = { answer: 4.2 }; o", function(err, res) {
console.log("The answer is: %d", res.answer * 10); // The answer is: 42
});
2.2 注意事项
- 目前,只有可以序列化为 JSON 的值才能被返回。
- 项目通过嵌入一个 JavaScript 解释器来执行代码,该解释器运行在另一个线程中,从而提高了安全性。
3. 项目 API 使用文档
3.1 Sandbox 类
3.1.1 eval(code, callback)
- 参数:
code(String): 要执行的 JavaScript 代码。callback(Function): 执行完成后的回调函数,接收两个参数:err和res。
- 返回值: 无
示例:
s.eval("const o = { answer: 4.2 }; o", function(err, res) {
if (err) {
console.error(err);
} else {
console.log("The answer is: %d", res.answer * 10);
}
});
3.2 错误处理
在执行不受信任的代码时,可能会遇到各种错误。sandbox 提供了优雅的错误处理机制,确保在发生错误时能够及时捕获并处理。
4. 项目安装方式
4.1 自动下载二进制文件
默认情况下,sandbox 会尝试下载对应平台的二进制文件。这是最简单的安装方式,适合大多数用户。
4.2 手动构建
对于需要自定义构建的用户,可以通过以下步骤手动构建项目:
- 安装 Rust 工具链。
- 运行
npm run build进行构建。 - 构建完成后,编译的二进制文件将被移动到
./index.node。
4.3 环境变量控制
通过设置 SANDBOX_SKIP_DOWNLOAD 环境变量,可以跳过二进制文件的自动下载,选择手动构建或使用其他方式。
5. 总结
sandbox 项目通过嵌入 JavaScript 解释器和 Rust 语言的强大功能,提供了一个安全、可靠的执行环境,适用于需要执行不受信任代码的场景。通过本技术文档,用户可以轻松了解如何安装、使用和构建该项目,从而更好地利用 sandbox 的功能。
登录后查看全文
热门项目推荐
相关项目推荐
GLM-5.1GLM-5.1是智谱迄今最智能的旗舰模型,也是目前全球最强的开源模型。GLM-5.1大大提高了代码能力,在完成长程任务方面提升尤为显著。和此前分钟级交互的模型不同,它能够在一次任务中独立、持续工作超过8小时,期间自主规划、执行、自我进化,最终交付完整的工程级成果。Jinja00
MiniMax-M2.7MiniMax-M2.7 是我们首个深度参与自身进化过程的模型。M2.7 具备构建复杂智能体应用框架的能力,能够借助智能体团队、复杂技能以及动态工具搜索,完成高度精细的生产力任务。Python00- QQwen3.5-397B-A17BQwen3.5 实现了重大飞跃,整合了多模态学习、架构效率、强化学习规模以及全球可访问性等方面的突破性进展,旨在为开发者和企业赋予前所未有的能力与效率。Jinja00
HY-Embodied-0.5这是一套专为现实世界具身智能打造的基础模型。该系列模型采用创新的混合Transformer(Mixture-of-Transformers, MoT) 架构,通过潜在令牌实现模态特异性计算,显著提升了细粒度感知能力。Jinja00
LongCat-AudioDiT-1BLongCat-AudioDiT 是一款基于扩散模型的文本转语音(TTS)模型,代表了当前该领域的最高水平(SOTA),它直接在波形潜空间中进行操作。00
ERNIE-ImageERNIE-Image 是由百度 ERNIE-Image 团队开发的开源文本到图像生成模型。它基于单流扩散 Transformer(DiT)构建,并配备了轻量级的提示增强器,可将用户的简短输入扩展为更丰富的结构化描述。凭借仅 80 亿的 DiT 参数,它在开源文本到图像模型中达到了最先进的性能。该模型的设计不仅追求强大的视觉质量,还注重实际生成场景中的可控性,在这些场景中,准确的内容呈现与美观同等重要。特别是,ERNIE-Image 在复杂指令遵循、文本渲染和结构化图像生成方面表现出色,使其非常适合商业海报、漫画、多格布局以及其他需要兼具视觉质量和精确控制的内容创作任务。它还支持广泛的视觉风格,包括写实摄影、设计导向图像以及更多风格化的美学输出。Jinja00
热门内容推荐
最新内容推荐
一颗老鼠屎坏了一锅汤:慎用 MemoryManager 的外部 Provider 注入Agent 突然装死?揭秘 batch_runner 遇到“无推理”提示词无限重试的死循环把公司钉钉变成超级中枢:利用 MCP 协议打通 Hermes 与内部工单系统告别卡顿:为何轻量级调度必须留本地,重度推理该上云端 API?别让 Agent 慢在推理上:Beelink 等高性能 PC 本地并发调优指南彻底告别环境玄学:用 Nix 打包具有持久化层的高性能 Agent重试、重规划还是再拆解?打造能在生产环境活下来的多智能体容错管线Matrix-nio 为什么被扫进历史垃圾堆?从源码看陈旧依赖带来的编译灾难让 Hermes 完美驾驭满血版 DeepSeek-R1:彻底搞定思维链解析与路由Python 扛不住高并发?优化 Hermes Gateway 并发处理能力的 3 把斧
项目优选
收起
OpenHarmony documentation | OpenHarmony开发者文档
Dockerfile
672
4.3 K
deepin linux kernel
C
28
16
Ascend Extension for PyTorch
Python
514
622
本项目是CANN提供的数学类基础计算算子库,实现网络在NPU上加速计算。
C++
943
884
openEuler内核是openEuler操作系统的核心,既是系统性能与稳定性的基石,也是连接处理器、设备与服务的桥梁。
C
398
299
🎉 (RuoYi)官方仓库 基于SpringBoot,Spring Security,JWT,Vue3 & Vite、Element Plus 的前后端分离权限管理系统
Vue
1.56 K
906
暂无简介
Dart
918
222
Oohos_react_native
React Native鸿蒙化仓库
JavaScript
335
381
昇腾LLM分布式训练框架
Python
142
169
华为昇腾面向大规模分布式训练的多模态大模型套件,支撑多模态生成、多模态理解。
Python
133
212