original-coast-clothing 的安装和配置教程
1. 项目基础介绍和主要编程语言
original-coast-clothing 是一个示例性的开源项目,由Facebook提供。该项目是一个虚构的服装品牌——Original Coast Clothing(OC)的Messenger机器人,旨在展示如何利用Messenger平台的关键特性,为用户带来优秀的客户体验。该项目主要使用的编程语言是JavaScript。
2. 项目使用的关键技术和框架
项目使用以下技术和框架:
- Node.js: 服务器端的JavaScript运行环境。
- Express: 基于Node.js的Web应用框架,用于快速构建单页、多页或混合Web应用。
- Heroku: 云服务平台,用于部署应用。
- ngrok: 用于本地开发的HTTP隧道服务,可以使本地服务器通过互联网被访问。
- Facebook Messenger Platform: 用于创建与Facebook Messenger集成的机器人。
3. 项目安装和配置的准备工作及详细步骤
准备工作
在开始安装之前,请确保您的系统中已安装以下工具:
- Node.js(10.x或更高版本)
- Git
- 用于部署的Heroku CLI(可选)
- 本地隧道服务ngrok(可选)
安装步骤
步骤1:克隆项目
首先,您需要在本地克隆项目仓库:
git clone git@github.com:fbsamples/original-coast-clothing.git
cd original-coast-clothing
步骤2:安装依赖
在项目目录中,安装所需的npm依赖:
npm install
或者,如果您使用Yarn:
yarn install
步骤3:配置环境变量
复制.sample.env文件为.env,并根据您的应用程序和Facebook页面信息编辑它:
cp .sample.env .env
编辑.env文件并填写如下信息:
APP_ID=您的Facebook应用ID
APP_SECRET=您的Facebook应用密钥
PAGE_ID=您的Facebook页面ID
APP_URL=您的应用程序URL(如果是ngrok,则为ngrok提供的URL)
VERIFY_TOKEN=您为Webhook验证生成的token
步骤4:运行应用程序
在项目目录中,运行以下命令以启动应用程序:
node app.js
此时,您应该能够在浏览器中通过http://localhost:3000访问应用程序。
步骤5:配置Webhook和Messenger档案
使用.env文件中创建的VERIFY_TOKEN,通过浏览器或cURL调用以下端点以配置Webhook:
http://localhost:3000/profile?mode=all&verify_token=verify-token
步骤6:测试应用程序
通过向您的Facebook页面发送消息来测试应用程序。如果一切配置正确,您应该会在终端看到Webhook被调用的信息,并在Messenger中收到响应。
部署到Heroku(可选)
如果您希望将应用程序部署到Heroku,请按照以下步骤操作:
步骤1:安装Heroku CLI
从Heroku官网下载并安装Heroku CLI。
步骤2:创建Heroku应用
使用Heroku CLI创建一个新的Heroku应用:
heroku apps:create
步骤3:设置环境变量
在Heroku应用仪表板上设置环境变量,或使用以下命令:
heroku config:set PAGE_ID=您的Facebook页面ID
# 其他需要的环境变量
步骤4:部署代码
将代码推送到Heroku:
git push heroku main
步骤5:查看日志
查看应用程序的实时日志输出:
heroku logs --tail
步骤6:配置Webhook和Messenger档案
使用Heroku应用的URL和配置变量中设置的VERIFY_TOKEN来配置Webhook。
步骤7:测试应用程序
向您的Facebook页面发送消息以测试应用程序是否按预期运行。
按照上述步骤,您可以成功安装和配置original-coast-clothing项目,并开始在Facebook Messenger上创建机器人。
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