Shesha框架使用教程
1. 项目介绍
Shesha是一款专为.NET开发者设计的开源低代码开发框架,旨在将企业级业务应用的实施努力减少80%以上。它基于ASP.NET Core、Abp.io、React和Next.js等强大技术,增加了低代码能力,使得业务应用程序的开发速度大幅加快。适合习惯于.NET Core环境及React的开发者,以及对技术不太熟悉的用户。通过Shesha,你可以迅速构建从简单的CRUD应用到复杂的企事业解决方案,同时享受低代码带来的高效性。
2. 项目快速启动
环境准备
确保你的开发环境中安装了以下组件:
- Node.js: 最新版推荐
- Visual Studio 或 VS Code 配合.NET Core SDK
- Git
步骤
-
克隆项目
git clone https://github.com/shesha-io/shesha-framework.git -
获取并初始化 Starter 模板 下载提供的Starter模板,并通过Visual Studio或命令行工具打开解决方案。
-
配置数据库 根据文档设置数据库连接字符串,并执行数据库种子数据脚本(如果提供)来初始化数据库。
-
运行应用 在项目根目录下使用以下命令启动后端服务:
dotnet run --project path/to/your/backend/project.csproj另开一个终端窗口,启动前端应用:
cd path/to/your/frontend npm install npm start -
访问应用 应用应该会在默认的localhost上运行,通常前端在
http://localhost:3000,后端API在另一个指定端口,具体取决于配置。
3. 应用案例与最佳实践
-
案例一:快速构建CRUD应用 开发者只需定义领域模型,Shesha自动产生CRUD操作和GraphQL端点,极大简化了常规的数据管理应用开发。
-
最佳实践:拖拽式界面设计 利用Shesha的拖拽界面构建功能,即使是对前端不熟悉的人也能快速搭建出专业级别的UI。对于复杂的业务逻辑,建议通过定制React组件或JavaScript脚本来实现。
4. 典型生态项目
Shesha不仅仅是一个框架,它的生态系统包括但不限于:
-
插件与扩展:社区提供了多种插件以增加应用的功能,如自定义认证、报表生成器等。
-
教育与培训资源:官方教程网站提供了丰富的视频教程和实例,帮助新老用户快速掌握Shesha的精髓。
-
集成示例:展示了如何将Shesha与其他流行技术如Azure Functions、Docker容器化进行集成的案例。
通过参与社区活动,利用这些资源,开发者可以更有效地利用Shesha框架开发出符合业务需求的应用程序。
以上就是Shesha框架的基本使用教程,希望这能为你开启一段高效的.NET低代码开发之旅。记得查阅官方文档和社区讨论,以便获得更详细的指导和支持。
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