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。
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