Zerogw 技术文档
1. 安装指南
1.1 Ubuntu 系统安装
在 Ubuntu 系统上,可以通过以下命令安装 Zerogw:
sudo add-apt-repository ppa:tailhook/zerogw
sudo apt-get update
sudo apt-get install zerogw
1.2 ArchLinux 系统安装
在 ArchLinux 系统上,可以通过以下命令安装 Zerogw:
yaourt -S zerogw
1.3 其他 Linux 发行版安装
对于其他 Linux 发行版,请参考编译部分进行安装。
2. 项目使用说明
Zerogw 是一个 HTTP 到 ZeroMQ 的网关,它监听 HTTP 请求,解析请求并使用 ZeroMQ 套接字(ZMQ_REQ)发送请求,然后等待回复并将从 ZeroMQ 套接字接收到的数据响应给客户端。
从 v0.3 版本开始,Zerogw 还支持 WebSocket。WebSocket 通过使用 ZMQ_PUB 套接字转发传入的消息,并使用 ZMQ_SUB 套接字监听命令来实现。每个 WebSocket 客户端可以订阅无限数量的主题。每个 ZeroMQ 消息要么是控制消息(例如订阅),要么是发送到指定主题的消息,该消息将高效地发送给订阅了该特定主题的每个 WebSocket。
Zerogw 是用 C 语言编写的,并使用 libwebsite 库来处理 HTTP(libwebsite 本身使用 libev)。
Zerogw 不是一个全功能的 HTTP 服务器。它对静态文件、缓存、CGI 等一无所知。它只知道一些路由,这使得它非常快速且具有完美的可扩展性。
使用场景
- RPC
- REST API
- Ajax
- WebSocket
3. 项目 API 使用文档
3.1 HTTP 请求处理
Zerogw 处理 HTTP 请求并将其转换为 ZeroMQ 消息。HTTP 请求的路由和处理由 libwebsite 库负责。
3.2 WebSocket 支持
Zerogw 支持 WebSocket,通过 ZMQ_PUB 和 ZMQ_SUB 套接字实现消息的转发和订阅。每个 WebSocket 客户端可以订阅多个主题,Zerogw 会将消息高效地发送给订阅了相应主题的客户端。
3.3 控制消息
控制消息用于管理 WebSocket 客户端的订阅和取消订阅操作。
4. 项目安装方式
4.1 依赖项
Zerogw 的运行需要以下依赖项:
- Linux 内核版本至少为 2.6.28(需要 accept4)
- libwebsite:用于处理 HTTP
- coyaml:用于处理配置
- python3:coyaml 需要 python3 来构建配置解析器
- libzmq 和 libev:ZeroMQ 和事件循环库
- libyaml:用于解析配置
前两个库通常是静态编译的,因此运行时不需要它们。python3 也是如此。
4.2 编译安装
在其他 Linux 发行版上,可以通过以下步骤进行编译安装:
./waf configure --prefix=/usr
./waf build
./waf install
通过以上步骤,您可以成功安装并使用 Zerogw 项目。
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