ZendSkeletonApplication 技术文档
1. 安装指南
使用 Composer 安装
ZendSkeletonApplication 项目推荐使用 Composer 进行安装。如果你还没有安装 Composer,请根据 Composer 文档 进行安装。
安装步骤如下:
$ composer create-project -sdev zendframework/skeleton-application path/to/install
安装完成后,你可以使用 PHP 内置的 Web 服务器立即测试项目:
$ cd path/to/install
$ php -S 0.0.0.0:8080 -t public
# 或者使用 Composer 别名:
$ composer run --timeout 0 serve
这将启动一个绑定到所有网络接口的 CLI 服务器,端口为 8080。你可以通过访问 http://localhost:8080/ 来查看 Zend Framework 的欢迎页面。
注意: 内置的 CLI 服务器仅用于开发环境。
开发模式
项目默认包含 zf-development-mode,并提供了三个别名来使用它:
$ composer development-enable # 启用开发模式
$ composer development-disable # 禁用开发模式
$ composer development-status # 检查开发模式是否启用
你可以在 config/development.config.php.dist 中提供仅用于开发的模块和引导配置,在 config/autoload/development.local.php.dist 中提供仅用于开发的应用配置。启用开发模式时,这些文件将被复制并去掉 .dist 后缀,禁用开发模式时,这些复制的文件将被删除。
开发模式在项目安装过程中会自动启用。如果你对上述 .dist 配置文件进行了更改,你需要禁用并重新启用开发模式,或者手动更新没有 .dist 后缀的文件。
使用 Vagrant
项目包含一个基于 Ubuntu 16.04 的 Vagrantfile,配置了 Apache2 和 PHP 7.0。你可以使用以下命令启动它:
$ vagrant up
启动后,你可以在虚拟机中运行 Composer。例如,以下命令将安装依赖项:
$ vagrant ssh -c 'composer install'
以下命令将更新依赖项:
$ vagrant ssh -c 'composer update'
Vagrant 将主机端口 8080 映射到虚拟机的端口 80,你可以通过访问 http://localhost:8080/ 来查看站点。
使用 docker-compose
项目提供了一个 docker-compose.yml 文件,用于与 docker-compose 一起使用。你可以使用以下命令构建并启动镜像:
$ docker-compose up -d --build
启动后,你可以通过访问 http://localhost:8080 来查看站点。
你也可以从镜像中运行 Composer。容器环境名为 "zf",因此你需要传递该值给 docker-compose run:
$ docker-compose run zf composer install
2. 项目的使用说明
运行单元测试
要运行项目提供的单元测试,你需要执行以下操作之一:
-
在初始项目创建期间,选择安装 MVC 测试支持。
-
在初始项目创建后,安装 zend-test:
$ composer require --dev zendframework/zend-test
安装测试支持后,你可以使用以下命令运行测试:
$ ./vendor/bin/phpunit
如果你需要为 PHPUnit 测试设置进行本地修改,请将 phpunit.xml.dist 复制到 phpunit.xml 并编辑新文件;后者在运行测试时具有优先级,并且被版本控制忽略。
3. 项目 API 使用文档
项目 API 的使用文档可以通过查看项目中的控制器和模块来获取。具体 API 的使用方法和参数说明可以在项目的代码注释中找到。
4. 项目安装方式
项目的安装方式主要有以下几种:
- 使用 Composer 安装:通过 Composer 创建一个新的 Zend Framework 项目。
- 使用 Vagrant:通过 Vagrant 启动一个虚拟机环境进行开发。
- 使用 docker-compose:通过 docker-compose 启动一个 Docker 容器进行开发。
每种安装方式的具体步骤已在“安装指南”部分详细说明。
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