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。
GLM-5智谱 AI 正式发布 GLM-5,旨在应对复杂系统工程和长时域智能体任务。Jinja00
GLM-5-w4a8GLM-5-w4a8基于混合专家架构,专为复杂系统工程与长周期智能体任务设计。支持单/多节点部署,适配Atlas 800T A3,采用w4a8量化技术,结合vLLM推理优化,高效平衡性能与精度,助力智能应用开发Jinja00
请把这个活动推给顶尖程序员😎本次活动专为懂行的顶尖程序员量身打造,聚焦AtomGit首发开源模型的实际应用与深度测评,拒绝大众化浅层体验,邀请具备扎实技术功底、开源经验或模型测评能力的顶尖开发者,深度参与模型体验、性能测评,通过发布技术帖子、提交测评报告、上传实践项目成果等形式,挖掘模型核心价值,共建AtomGit开源模型生态,彰显顶尖程序员的技术洞察力与实践能力。00
Kimi-K2.5Kimi K2.5 是一款开源的原生多模态智能体模型,它在 Kimi-K2-Base 的基础上,通过对约 15 万亿混合视觉和文本 tokens 进行持续预训练构建而成。该模型将视觉与语言理解、高级智能体能力、即时模式与思考模式,以及对话式与智能体范式无缝融合。Python00
MiniMax-M2.5MiniMax-M2.5开源模型,经数十万复杂环境强化训练,在代码生成、工具调用、办公自动化等经济价值任务中表现卓越。SWE-Bench Verified得分80.2%,Multi-SWE-Bench达51.3%,BrowseComp获76.3%。推理速度比M2.1快37%,与Claude Opus 4.6相当,每小时仅需0.3-1美元,成本仅为同类模型1/10-1/20,为智能应用开发提供高效经济选择。【此简介由AI生成】Python00
Qwen3.5Qwen3.5 昇腾 vLLM 部署教程。Qwen3.5 是 Qwen 系列最新的旗舰多模态模型,采用 MoE(混合专家)架构,在保持强大模型能力的同时显著降低了推理成本。00- RRing-2.5-1TRing-2.5-1T:全球首个基于混合线性注意力架构的开源万亿参数思考模型。Python00