Changesets Release Action 开源项目教程
1. 项目介绍
Changesets Release Action 是一个GitHub Action,用于自动化管理你的Changesets版本发布。它可以帮助你创建包含所有更新包版本的pull request,并更新changelog。当你的配置的baseBranch上有新的changesets时,该PR将会被更新。一旦PR被合并,你可以手动发布包到npm,或者设置action自动完成发布。
2. 项目快速启动
以下是一个基本的示例,说明如何将Changesets Release Action集成到你的GitHub仓库中。
首先,在你的GitHub仓库中创建一个.github/workflows/release.yml文件,并添加以下内容:
name: Release
on:
push:
branches:
- main
jobs:
release:
name: Release
runs-on: ubuntu-latest
steps:
- name: Checkout Repo
uses: actions/checkout@v3
- name: Setup Node.js
uses: actions/setup-node@v3
with:
node-version: '14'
- name: Install Dependencies
run: yarn
- name: Create Release Pull Request
uses: changesets/action@v1
env:
GITHUB_TOKEN: ${{ secrets.GITHUB_TOKEN }}
这个工作流将在每次向main分支推送代码时触发。
3. 应用案例和最佳实践
案例一:自动化发布
如果你希望Changesets Action在合并PR后自动发布包到npm,你需要设置一个npm token。首先,在GitHub仓库的Settings -> Secrets中添加一个名为NPM_TOKEN的秘密,值为你的npm账号的token。
然后,更新你的.github/workflows/release.yml文件,以包括发布步骤:
- name: Create Release Pull Request or Publish to npm
id: changesets
uses: changesets/action@v1
with:
publish: yarn publish
env:
GITHUB_TOKEN: ${{ secrets.GITHUB_TOKEN }}
NPM_TOKEN: ${{ secrets.NPM_TOKEN }}
这样配置后,每当合并PR时,Changesets Action将会自动发布更新后的包。
案例二:自定义发布逻辑
如果你有自定义的发布逻辑,你可以在工作流中添加自定义步骤来处理发布。例如:
- name: Publish
if: steps.changesets.outputs.hasChangesets == 'false'
run: yarn publish --new-version ${{ steps.changesets.outputs.nextVersion }}
这里,我们使用了Changesets Action的输出nextVersion来指定发布的新版本。
4. 典型生态项目
Changesets Release Action适用于任何使用Changesets来管理版本的项目。以下是一些可能使用此Action的典型生态项目:
- 任何需要自动化版本发布流程的开源项目。
- 项目拥有多个包,并且需要保持版本一致性的项目。
- 需要与GitHub Actions集成,实现持续集成和持续部署(CI/CD)的项目。
通过集成Changesets Release Action,这些项目可以简化发布流程,减少手动操作,从而提高开发效率。
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 StartedRust0191
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 Notebook0120
Step-3.7-FlashStep-3.7-Flash是一个拥有 1980 亿参数的稀疏混合专家(MoE)视觉语言模型,由 1960 亿参数的语言主干网络和 18 亿参数的视觉编码器组合而成,具备原生图像理解能力。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
fun-rec推荐系统入门教程,在线阅读地址:https://datawhalechina.github.io/fun-rec/Python03
so-large-lm大模型基础: 一文了解大模型基础知识01