Spring Plugin 开源项目安装与使用指南
目录结构及介绍
当我们克隆或下载 spring-plugin 的源代码后, 你会看到以下的主要目录:
1. spring-plugin-core
这是核心模块,包含了插件系统的实现机制。主要有以下几个重要的类:
Plugin: 插件基础接口。PluginRegistry: 插件注册表接口。OrderAwarePluginRegistry: 实现了排序功能的插件注册表。
2. spring-plugin-support
提供了对 Spring Boot 和 Spring 应用的支持。其中关键的组件是 @EnablePluginRegistries 注解,该注解用于激活和配置插件注册。
3. samples
示例目录包含了一些使用 spring-plugin 的示例应用。
4. src/main/resources/META-INF/spring.factories
这个资源文件定义了哪些类会被 Spring 自动扫描并实例化。对于插件支持而言,这非常重要,因为某些类(例如 AnnotationConfigApplicationContext)将基于此文件加载和初始化 spring-plugin 组件。
项目启动文件介绍
在 samples 目录下的每个示例应用中,都会有一个主启动类,通常命名为 <AppName>Application.java 或 <AppName>.java 。此类上标注有 @SpringBootApplication 注解以及 public static void main(String[] args) 方法。这是 Spring Boot 应用的标准启动点。在一些示例中,@EnablePluginRegistries 注解也被加在此处,以便启用插件注册和支持。
另外,在 src/test/java 中的测试类也是项目的一部分。它们展示了如何在单元测试环境中启动和使用插件系统。
项目配置文件介绍
配置主要发生在两个层面:
1. 类路径级别的配置
我们可以通过修改 pom.xml 文件中的依赖项和构建参数来控制项目的行为。比如我们可以添加或移除特定版本的库。
2. 应用级别的配置
在 Spring Boot 应用程序中,配置通常是通过 application.yml 或 application.properties 文件进行的。然而,在本项目中,额外的配置重点是通过 @EnablePluginRegistries 注解来进行。这个注解可以接受一个类数组作为参数,用于指定那些要被注册为插件的类。
此外,在插件本身内部,可以根据需要使用标准的 Spring 配置机制,包括 XML 配置文件(虽然在现代的 Spring Boot 应用中不推荐)、@Configuration 类以及在 application.yml 或 application.properties 中的配置项。
总体来说,spring-plugin 的配置较为简洁,主要是依靠 Spring 核心和 Spring Boot 提供的自动化配置能力,而不需要额外复杂的定制。
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