【亲测免费】 Node-RED Dashboard 安装与使用教程
1. 项目目录结构及介绍
在克隆或下载 https://github.com/FlowFuse/node-red-dashboard.git 仓库之后,你将得到以下基本目录结构:
node-red-dashboard/
│
├── package.json # 项目依赖和元数据文件
├── README.md # 项目说明文档
├── node_modules/ # 第三方依赖库
├── lib/ # 自定义节点代码存放目录
└── .gitignore # Git 忽略文件列表
package.json: 该文件包含了项目的依赖信息以及项目的基本描述,用于安装和管理依赖。README.md: 提供项目简介、安装指南和使用方法等信息。node_modules/: 存放所有项目依赖的npm包。lib/: Node-RED自定义节点源码通常存放于此,但此项目可能没有提供自定义节点。.gitignore: 规定哪些文件或目录不需要被Git版本控制。
2. 项目的启动文件介绍
node-red-dashboard 是一个Node-RED的插件,它不是一个独立可执行的应用。通常,你需要将其安装到你的Node-RED环境中。启动Node-RED应用(假设已全局安装Node.js)的步骤如下:
- 首先,在终端中导航到Node-RED的工作目录,例如
~/.node-red。 - 运行以下命令来启动Node-RED服务器:
npm start
当你启动Node-RED后,node-red-dashboard 插件会自动加载并可供使用。你可以通过浏览器访问 http://localhost:1880/ui 来查看和编辑Node-RED仪表板。
3. 项目的配置文件介绍
node-red-dashboard 并无特定的配置文件,其配置主要是通过Node-RED的设置和流文件完成。以下是两种主要配置方式:
设置文件 (settings.js)
在Node-RED主目录中的 settings.js 文件可以设置一些全局参数,例如端口号、数据库路径等。但node-red-dashboard 特定的配置通常不需要在此处进行。
流文件 (flows.json)
真正的配置工作在Node-RED的 flows.json 文件中进行。node-red-dashboard 的UI是通过一系列节点构建的,这些节点包括按钮、图表、文本框等。在编辑器中创建和连接这些节点,然后保存流配置,就可以定义你的仪表板布局和逻辑。
例如,添加一个新的图表节点,你可以在 flows.json 中看到类似这样的JSON表示:
{
"id": "chart-node-id",
"type": "ui_chart",
"z": "workspace-name",
"group": "group-id",
"order": 0,
"width": 6,
"height": 4,
"label": "Chart Label",
"topic": "",
"x": 240,
"y": 50,
...
}
记住,对 flows.json 的修改需要重新启动Node-RED服务才能生效。
总结,虽然node-red-dashboard 没有特定的配置文件,但所有的设置都可以通过Node-RED的图形化界面和流文件进行管理。为了充分利用这个工具,推荐熟悉Node-RED的节点编辑器和JSON配置格式。
kernelopenEuler内核是openEuler操作系统的核心,既是系统性能与稳定性的基石,也是连接处理器、设备与服务的桥梁。C0105
baihu-dataset异构数据集“白虎”正式开源——首批开放10w+条真实机器人动作数据,构建具身智能标准化训练基座。00
mindquantumMindQuantum is a general software library supporting the development of applications for quantum computation.Python059
PaddleOCR-VLPaddleOCR-VL 是一款顶尖且资源高效的文档解析专用模型。其核心组件为 PaddleOCR-VL-0.9B,这是一款精简却功能强大的视觉语言模型(VLM)。该模型融合了 NaViT 风格的动态分辨率视觉编码器与 ERNIE-4.5-0.3B 语言模型,可实现精准的元素识别。Python00
GLM-4.7GLM-4.7上线并开源。新版本面向Coding场景强化了编码能力、长程任务规划与工具协同,并在多项主流公开基准测试中取得开源模型中的领先表现。 目前,GLM-4.7已通过BigModel.cn提供API,并在z.ai全栈开发模式中上线Skills模块,支持多模态任务的统一规划与协作。Jinja00
AgentCPM-Explore没有万亿参数的算力堆砌,没有百万级数据的暴力灌入,清华大学自然语言处理实验室、中国人民大学、面壁智能与 OpenBMB 开源社区联合研发的 AgentCPM-Explore 智能体模型基于仅 4B 参数的模型,在深度探索类任务上取得同尺寸模型 SOTA、越级赶上甚至超越 8B 级 SOTA 模型、比肩部分 30B 级以上和闭源大模型的效果,真正让大模型的长程任务处理能力有望部署于端侧。Jinja00