Django Passkeys 项目教程
1. 项目介绍
Django Passkeys 是一个扩展 Django 认证后端的库,旨在支持 Passkeys。Passkeys 是 Web Authentication API 的扩展,允许用户使用其他设备登录服务。这个项目是 django-mfa2 的一个简化版本,支持在 Apple 生态系统(如 iPhone 16.0+、iPadOS 16.1、Mac OS X Ventura)和基于 Chromium 的浏览器中使用 Passkeys。
2. 项目快速启动
安装
首先,使用 pip 安装 Django Passkeys:
pip install django-passkeys
配置
在 Django 项目的 settings.py 文件中进行以下配置:
INSTALLED_APPS = [
...
'passkeys',
...
]
AUTHENTICATION_BACKENDS = [
'passkeys.backend.PasskeyModelBackend',
]
FIDO_SERVER_ID = "localhost" # FIDO2 服务器 RP ID,应为项目的完整域名
FIDO_SERVER_NAME = "TestApp"
import passkeys
KEY_ATTACHMENT = None # 可选值:None | passkeys.Attachment.CROSS_PLATFORM | passkeys.Attachment.PLATFORM
添加 URL 路由
在 urls.py 文件中添加 Passkeys 的 URL 路由:
from django.urls import path, include
urlpatterns = [
...
path('passkeys/', include('passkeys.urls')),
...
]
使用 Passkeys
在你的应用中,添加一个链接到 Passkeys 的页面:
<li><a href="{% url 'passkeys:home' %}">Passkeys</a></li>
在登录视图中,修改 authenticate 调用以包含请求:
user = authenticate(request, username=request.POST["username"], password=request.POST["password"])
在登录页面的 HTML 中,添加 Passkeys 的表单和按钮:
<form id="loginForm">
<input type="hidden" name="passkeys" id="passkeys"/>
<button class="btn btn-block btn-dark" type="button" onclick="authn('loginForm')">
<img src="{% static 'passkeys/imgs/FIDO-Passkey_Icon-White.png' %}" style="width: 24px">
</button>
</form>
{% include 'passkeys.js' %}
3. 应用案例和最佳实践
案例1:企业内部系统
在企业内部系统中,使用 Passkeys 可以提高安全性,减少密码管理的工作量。员工可以使用公司提供的设备(如笔记本电脑、手机)进行快速登录,无需记忆复杂的密码。
案例2:电子商务平台
在电子商务平台中,Passkeys 可以提高用户的登录体验,减少因忘记密码而导致的用户流失。用户可以使用手机或其他设备快速登录,提高平台的用户留存率。
最佳实践
- 多设备支持:确保 Passkeys 支持多种设备,包括手机、平板和笔记本电脑。
- 安全性:定期更新 Passkeys 库,确保使用最新的安全补丁。
- 用户体验:提供清晰的指导,帮助用户了解如何使用 Passkeys 进行登录。
4. 典型生态项目
Django Allauth
Django Allauth 是一个流行的 Django 认证库,支持多种社交账号登录。结合 Django Passkeys,可以进一步提高用户登录的安全性和便捷性。
Django MFA
Django MFA 是一个多因素认证库,支持多种认证方式。Passkeys 可以作为其中的一种认证方式,提供更安全的登录选项。
Django FIDO2
Django FIDO2 是一个专门用于 FIDO2 认证的库,Passkeys 是 FIDO2 的一部分。结合 Django FIDO2,可以实现更复杂的认证需求。
通过以上步骤,你可以快速集成 Django Passkeys 到你的 Django 项目中,提升用户登录的安全性和便捷性。
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
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