Evidence项目GitHub Pages部署配置优化指南
2025-06-08 17:36:01作者:宣利权Counsellor
在Evidence项目文档中关于GitHub Pages部署的配置示例存在一个常见问题,许多开发者在使用时会遇到构建目录路径错误的情况。本文将详细解释问题的根源以及正确的配置方法。
问题现象
当开发者按照官方文档配置GitHub Actions工作流时,构建步骤会报错提示"directory not found"。具体表现为:
- 在构建步骤中设置了BASE_PATH环境变量
- 在上传制品步骤中指定了包含仓库名称的构建路径
- 但实际上构建产物并未生成在预期的子目录中
问题根源
这个问题源于对Evidence构建系统工作方式的理解偏差。Evidence项目在构建时确实支持通过BASE_PATH环境变量来配置基础路径,但这需要同时在package.json中进行相应的配置才能正常工作。
正确配置方案
方案一:简化配置(推荐)
对于大多数GitHub Pages部署场景,最简单的解决方案是:
- 移除BASE_PATH环境变量设置
- 直接上传整个build目录
- name: build
run: |
npm run sources
npm run build
- name: Upload Artifacts
uses: actions/upload-pages-artifact@v3
with:
path: './build'
方案二:完整basePath配置
如果需要使用basePath功能,必须同时在package.json中进行配置:
- 首先修改package.json中的build脚本:
{
"scripts": {
"build": "evidence build --out=build/$REPO_NAME"
}
}
- 然后在GitHub Actions工作流中:
- name: build
env:
REPO_NAME: ${{ github.event.repository.name }}
# 其他环境变量...
run: |
npm run sources
npm run build
- name: Upload Artifacts
uses: actions/upload-pages-artifact@v3
with:
path: 'build/${{ github.event.repository.name }}'
最佳实践建议
- 对于简单的GitHub Pages部署,推荐使用方案一的简化配置
- 只有在确实需要basePath功能时才使用方案二
- 确保构建脚本和上传路径配置一致
- 在本地开发环境测试构建结果后再提交到CI/CD流程
Evidence作为一个现代化的数据文档工具,其部署配置应当尽可能简洁明了。通过理解构建系统的工作机制,开发者可以避免常见的配置陷阱,实现顺畅的持续部署流程。
登录后查看全文
热门项目推荐
相关项目推荐
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-1.5暂无简介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
项目优选
收起
deepin linux kernel
C
24
7
Ascend Extension for PyTorch
Python
177
195
本项目是CANN提供的数学类基础计算算子库,实现网络在NPU上加速计算。
C++
647
263
TorchAir 支持用户基于PyTorch框架和torch_npu插件在昇腾NPU上使用图模式进行推理。
Python
270
93
暂无简介
Dart
623
140
本仓将收集和展示高质量的仓颉示例代码,欢迎大家投稿,让全世界看到您的妙趣设计,也让更多人通过您的编码理解和喜爱仓颉语言。
Cangjie
378
3.33 K
React Native鸿蒙化仓库
JavaScript
242
315
🎉 (RuoYi)官方仓库 基于SpringBoot,Spring Security,JWT,Vue3 & Vite、Element Plus 的前后端分离权限管理系统
Vue
1.1 K
621
仓颉编译器源码及 cjdb 调试工具。
C++
126
856
Nop Platform 2.0是基于可逆计算理论实现的采用面向语言编程范式的新一代低代码开发平台,包含基于全新原理从零开始研发的GraphQL引擎、ORM引擎、工作流引擎、报表引擎、规则引擎、批处理引引擎等完整设计。nop-entropy是它的后端部分,采用java语言实现,可选择集成Spring框架或者Quarkus框架。中小企业可以免费商用
Java
9
1