The Lift Web Framework 使用与技术文档
1. 安装指南
系统要求
Lift 3.0 及以上版本需要运行在 Java 8 或更高版本的环境中。如果您使用的是 Java 6 或 Java 7,您需要使用 Lift 2.6 版本。
使用 sbt 创建新项目
若您使用的是较新版本的 sbt(如 0.13.16),可以通过 Giter8 模板创建一个新的 Lift 应用程序。
- 创建一个包含示例代码的基本 Lift 应用程序:
sbt new lift/basic-app.g8 - 或者创建一个全新的空白应用程序:
sbt new lift/blank-app.g8
按照提示完成 Lift 应用的创建。
运行服务器
进入应用文件夹后,在 sbt 中运行以下命令启动服务器:
jetty:start
默认情况下,服务器将在 http://localhost:8080 上运行。此命令会在您更改 HTML、资源或 Scala 代码时自动重新编译并重启应用。
如果您主要关注前端开发,可能会发现每次更改 CSS 或 HTML 时都重新编译和重启应用不太高效。在这种情况下,可以使用以下命令:
jetty:quickstart
start 和 quickstart 之间的区别在于,start 命令从目标目录(包含展开的 WAR 文件)中提供资产,而 quickstart 命令则从源目录中直接提供资产。
请注意,quickstart 命令前没有前导波浪线 ~。这是为了防止在资源更改时触发编译。更改的资源将直接提供。请注意,在此模式下,Scala 代码必须手动编译。
在现有项目中使用 sbt
如果您在现有的 sbt 项目中使用 Lift,需要执行以下步骤:
- 添加 xsbt-web-plugin(如果您尚未拥有它或其他启动 Servlet 应用的方法)。
- 添加 Lift 依赖。
将 xsbt-web-plugin 的最新版本下载到 project/ 文件夹中。然后在 build.sbt 文件中启用插件,例如激活 JettyPlugin:
enablePlugins(JettyPlugin)
更多关于插件的使用信息,请参考 xsbt-web-plugin 项目。
之后,您需要将 Lift 和 Logback 添加到 libraryDependencies 中:
libraryDependencies ++= {
val liftVersion = "3.3.0"
Seq(
"net.liftweb" %% "lift-webkit" % liftVersion % "compile",
"ch.qos.logback" % "logback-classic" % "1.2.3"
)
}
使用 Maven
在 pom.xml 文件中添加 Lift 依赖:
<dependency>
<groupId>net.liftweb</groupId>
<artifactId>lift-webkit_${scala.version}</artifactId>
<version>3.3.0</version>
</dependency>
其中 ${scala.version} 为 2.11 或 2.12。Scala 编译器的各个补丁版本(例如 2.12.2)与其发布系列中的所有内容都是二进制兼容的,因此您只需要前两个版本部分。
有关 Maven 集成的更多信息,请参考 项目 Wiki。
2. 项目使用说明
请参考项目的 README 文件,了解 Lift 框架的基本信息、特色以及如何创建新项目。同时,您可以通过运行不同的命令来启动服务器,并根据需要选择不同的运行模式。
3. 项目 API 使用文档
Lift 框架的 API 文档可以在 Lift 官网上找到。您可以通过访问 Lift 官网首页或直接导航到特定版本的 URL 来查看基于源代码的文档。
例如,Lift 3.2 版本的 API 可以在以下地址访问:http://liftweb.net/api/32/api/。
4. 项目安装方式
项目的安装方式已在上述 "安装指南" 部分进行了详细说明。您可以通过 sbt 或 Maven 添加 Lift 依赖,并按照相应的步骤创建新项目或在现有项目中集成 Lift。
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
HunyuanVideo-1.5暂无简介00
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-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
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