实时多用户看板应用示例
这是一个用Java编写,并基于Spring Boot的开源项目,展示了如何利用Eventuate平台构建实时、多用户的协作应用程序——实时看板。这个看板应用允许用户协同创建和编辑看板以及任务。任何用户对看板或任务的修改,都会立即在其他查看相同内容的用户界面上显示。
项目介绍
这个实时看板应用采用Eventuate的事件源编程模型来构建,这种模式非常适合这类应用。它将业务对象,如“看板”和“任务”,保存为一系列状态改变的事件。当用户创建或更新一个看板或任务时,系统会在事件存储中保存一个事件,然后事件存储将每个事件分发给感兴趣的订阅者。看板应用有一个事件订阅者,可以将每个事件转化为WebSocket消息,触发每个用户浏览器中的界面更新。
项目技术分析
应用架构如下图所示:
此处插入图片描述
该应用包括以下部分:
- AngularJS 浏览器应用
- 看板服务器 —— 基于Java和Spring Boot的服务器端应用。
- MongoDB 数据库 —— 存储看板和任务的物化视图。
看板服务器有一个基于Spring MVC的REST API用于创建、更新和查询看板和任务。它还有一个STOMP-over-WebSocket API,负责将更新推送到AngularJS应用程序。它可以作为一个单体服务器部署,也可以作为一组微服务部署。继续阅读以了解更多详情。
技术应用场景
Eventuate是一个为微服务编写应用程序的应用平台,提供了一种基于事件源和命令查询责任分离(CQRS)的简单但强大的事件驱动编程模型。它解决了微服务架构中的分布式数据管理问题。包括一个可扩展的分布式事件存储服务器和多种语言及框架(包括Java、Scala和Spring框架)的客户端库。更多细节,请访问Eventuate官网。
看板服务器设计
看板服务器使用了Eventuate的Java客户端框架,为Java/Spring-Boot应用程序提供了事件源编程模型。服务器将看板和任务保存为事件存储中的事件。此外,还维护了一个存储在MongoDB中的看板和任务的物化视图。
以下是服务器的设计图:
此处插入图片描述
应用遵循命令查询责任分离(CQRS)模式,由以下几个模块组成:
- 命令侧模块 —— 处理创建和更新请求(例如HTTP POST、PUT和DELETE请求),并处理看板和任务的业务逻辑。
- 查询侧模块 —— 通过查询MongoDB的物化视图处理查询请求(即HTTP GET请求)。它包含一个事件处理器,订阅看板和任务事件,并更新MongoDB。
- WebSocket网关 —— 订阅事件存储发布的看板和任务事件,再将其转化为WebSocket事件。
部署选项
服务器既可以作为单体应用部署(如上图所示),也可以作为微服务部署。以下是微服务架构的示意图:
此处插入图片描述
包括以下几个服务:
- API网关 —— 路由REST请求到相应的后端服务器,将事件存储事件翻译成WebSocket消息。
- 看板命令侧服务 —— 创建和更新看板
- 看板查询侧服务 —— 维护一个去规范化视图的看板
- 任务命令侧服务 —— 创建和更新任务
- 任务查询侧服务 —— 维护一个去规范化视图的任务
构建与运行
本项目是一个Gradle项目,无需安装Gradle,因为它会自动下载。只需要安装Java 8即可。
构建和运行的具体步骤取决于你是使用Eventuate SaaS还是Eventuate Local。详细说明参见项目文档。
使用实时看板
打开URL http://${DOCKER_HOST_IP}:8080,登录并创建看板和任务。
使用Swagger UI
各个服务都支持Swagger,可以通过以下链接打开Swagger UI:
http://${DOCKER_HOST_IP}:<SERVICE-PORT>/swagger-ui.html
请替换 <SERVICE-PORT> 为你相应服务的实际端口。
获取帮助
如有任何问题,欢迎创建问题或直接联系我们。更多联系方式,请访问Eventuate官网。
这个开源项目为开发实时协作应用提供了生动的例子,无论你是想学习事件源编程模型,还是寻求实现此类功能的解决方案,这都是一个值得尝试的项目。其清晰的架构和灵活的部署选项使得它成为开发者探索微服务和事件驱动编程的理想实践平台。
ERNIE-4.5-VL-28B-A3B-ThinkingERNIE-4.5-VL-28B-A3B-Thinking 是 ERNIE-4.5-VL-28B-A3B 架构的重大升级,通过中期大规模视觉-语言推理数据训练,显著提升了模型的表征能力和模态对齐,实现了多模态推理能力的突破性飞跃Python00
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
MiniMax-M2MiniMax-M2是MiniMaxAI开源的高效MoE模型,2300亿总参数中仅激活100亿,却在编码和智能体任务上表现卓越。它支持多文件编辑、终端操作和复杂工具链调用Python00
HunyuanVideo-1.5HunyuanVideo-1.5作为一款轻量级视频生成模型,仅需83亿参数即可提供顶级画质,大幅降低使用门槛。该模型在消费级显卡上运行流畅,让每位开发者和创作者都能轻松使用。本代码库提供生成创意视频所需的实现方案与工具集。00
MiniCPM-V-4_5MiniCPM-V 4.5 是 MiniCPM-V 系列中最新且功能最强的模型。该模型基于 Qwen3-8B 和 SigLIP2-400M 构建,总参数量为 80 亿。与之前的 MiniCPM-V 和 MiniCPM-o 模型相比,它在性能上有显著提升,并引入了新的实用功能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
GOT-OCR-2.0-hf阶跃星辰StepFun推出的GOT-OCR-2.0-hf是一款强大的多语言OCR开源模型,支持从普通文档到复杂场景的文字识别。它能精准处理表格、图表、数学公式、几何图形甚至乐谱等特殊内容,输出结果可通过第三方工具渲染成多种格式。模型支持1024×1024高分辨率输入,具备多页批量处理、动态分块识别和交互式区域选择等创新功能,用户可通过坐标或颜色指定识别区域。基于Apache 2.0协议开源,提供Hugging Face演示和完整代码,适用于学术研究到工业应用的广泛场景,为OCR领域带来突破性解决方案。00