Kong Pongo 使用教程
1. 项目介绍
Kong Pongo 是一个用于在 Kong 上运行插件测试的工具。它通过创建 Docker 容器和网络来隔离环境,并提供 Kong 通常需要的依赖项(如 Cassandra、PostgreSQL 等)。Pongo 使得开发者可以在本地环境中轻松测试 Kong 插件,而无需将插件部署到开发或 staging 服务器上。
2. 项目快速启动
2.1 安装 Pongo
首先,克隆 Pongo 仓库并安装 Pongo:
PATH=$PATH:~/local/bin
git clone https://github.com/Kong/kong-pongo.git
mkdir -p ~/local/bin
ln -s $(realpath kong-pongo/pongo.sh) ~/local/bin/pongo
2.2 配置 Pongo
在插件目录中,创建一个 pongo/pongorc 文件来配置 Pongo。例如,如果你不需要 Cassandra 数据库,可以在 pongorc 文件中添加以下内容:
--no-cassandra
2.3 运行测试
假设当前目录是一个用 Lua 编写的 Kong 插件目录,运行测试的命令如下:
KONG_VERSION=$(VER) ~/local/bin/pongo.sh run --no-cassandra --no-postgres
3. 应用案例和最佳实践
3.1 插件开发与测试
在开发 Kong 插件时,Pongo 提供了一个隔离的环境来运行和测试插件逻辑。开发者可以在本地编写测试代码,并模拟依赖项(如 API 调用和数据库调用),从而在不部署到开发或 staging 服务器的情况下验证插件功能。
3.2 CI/CD 集成
Pongo 可以轻松集成到 CI/CD 设置中。以下是一个基于 GitHub Actions 的示例配置:
name: "Test"
on: [push, pull_request]
jobs:
test:
runs-on: ubuntu-latest
strategy:
fail-fast: false
matrix:
kongVersion: ["2.8.x", "3.5.x", "dev"]
steps:
- uses: actions/checkout@v3
- uses: Kong/kong-pongo-action@v1
with:
pongo_version: master
kong_version: $[[ matrix.kongVersion ]]
- run: pongo run
4. 典型生态项目
4.1 Kong Gateway
Kong Gateway 是一个开源的 API 网关,Pongo 是用于测试 Kong 插件的工具。通过 Pongo,开发者可以在本地环境中模拟生产环境,确保插件在部署到生产环境之前能够正常工作。
4.2 Docker
Pongo 依赖 Docker 和 Docker Compose 来创建隔离的测试环境。开发者需要安装 Docker 和 Docker Compose 才能使用 Pongo。
4.3 LuaRocks
LuaRocks 是 Lua 的包管理器,Pongo 使用 LuaRocks 来管理插件的依赖项。开发者可以通过 LuaRocks 安装和管理插件所需的库。
通过以上步骤,开发者可以快速上手并使用 Kong Pongo 进行插件开发和测试。
atomcodeClaude Code 的开源替代方案。连接任意大模型,编辑代码,运行命令,自动验证 — 全自动执行。用 Rust 构建,极致性能。 | An open-source alternative to Claude Code. Connect any LLM, edit code, run commands, and verify changes — autonomously. Built in Rust for speed. Get StartedRust0198
cann-learning-hubCANN 学习中心仓,支持在线互动运行、边学边练,提供教程、示例与优化方案,一站式助力昇腾开发者快速上手。Jupyter Notebook0129
MiMo-V2.5-Pro-FP4-DFlashMiMo-V2.5-Pro-FP4-DFlash 是驱动 MiMo-V2.5-Pro-UltraSpeed 的底层模型: FP4 量化骨干网络:对 MoE 专家采用 MXFP4 量化,同时保持模型其他部分的更高精度,在几乎无损质量的前提下,显著减小模型体积并降低内存带宽压力。 BF16 DFlash 草稿生成器:用于块扩散推测解码,每次前向传播可生成一整个块的 tokens,并让骨干网络一步完成验证。 两者协同作用,既降低了每参数的位宽,又减少了骨干网络前向传播的次数,而这两者正是万亿参数模型解码过程中的两大主要成本来源。Python00
JoyAI-EchoJoyAI-Echo,这是一个独立的、仅用于推理的版本,旨在实现分钟级多镜头音视频生成。它采用了经过蒸馏的DMD生成器、配对的跨模态记忆以及故事级别的一致性。其性能的核心在于,一个跨模态视听记忆库能够在长达五分钟的视频中保持角色外观和语音音色的一致性。同时,一个训练后处理流程将基于记忆的强化学习与分布匹配蒸馏相结合,实现了7.5倍的速度提升,显著增强了视觉质量和对齐效果。00
AstrBot✨ 易上手的多平台 LLM 聊天机器人及开发框架 ✨ 平台支持 QQ、QQ频道、Telegram、微信、企微、飞书 | OpenAI、DeepSeek、Gemini、硅基流动、月之暗面、Ollama、OneAPI、Dify 等。附带 WebUI。Python08
handy-ollama动手学Ollama,CPU玩转大模型部署,在线阅读地址:https://datawhalechina.github.io/handy-ollama/Jupyter Notebook07