Node-monitor 技术文档
1. 安装指南
首先,确保你的环境中已经安装了 Node.js。然后,在你的项目服务器目录中,运行以下命令来安装 node-monitor:
$ npm install monitor
接下来,在你的应用程序引导代码中添加以下代码行,并重启服务器:
require('monitor').start();
2. 项目使用说明
node-monitor 是一个用于远程监控和操控 Node.js 应用服务器的库。它提供了多种通用监控工具,并允许你为你的应用创建自定义监控。
使用 REPL 控制台监控应用
你可以使用 REPL 控制台进行临时监控。首先启动 REPL,然后获取 Monitor 类:
$ node
在控制台中运行以下代码:
> var Monitor = require('monitor');
现在,你可以连接到应用服务器上的一个探测器。这里有一些内置探测器,你也可以为你的应用或 npm 模块构建自定义探测器。以下是一个监控 "Process" 探测器的示例:
> var processMonitor = new Monitor({probeClass:'Process'});
> processMonitor.connect();
探测器是一个 Backbone.js 数据模型,它会实时更新,你可以使用 toJSON() 方法获取所有字段:
> processMonitor.get('freemem');
当你监控的数据发生变化时,它会发出 'change' 事件:
> processMonitor.on('change', function() {
... console.log(processMonitor.get('freemem'));
... });
使用自定义脚本监控应用
你可以使用 Node.js 作为脚本语言,编写执行任何 Node.js 可以执行的自定义监控。以下是一个当可用内存低于特定阈值时输出警告信息的示例。
将以下代码保存为 low-memory-warn.js 文件,并运行 node low-memory-warn:
// 低内存警告监控
var Monitor = require('monitor');
var LOW_MEMORY_THRESHOLD = 100000000;
var options = {
hostName: 'localhost',
probeClass: 'Process',
initParams: {
pollInterval: 10000
}
}
var processMonitor = new Monitor(options);
processMonitor.on('change', function() {
var freemem = processMonitor.get('freemem');
if (freemem < LOW_MEMORY_THRESHOLD) {
console.log('低内存警告: ' + freemem);
}
});
processMonitor.connect(function(error) {
if (error) {
console.error('连接到进程探测器时出错: ', error);
process.exit(1);
}
});
在浏览器中监控应用
上述脚本同样适用于服务器中的 HTML <script> 标签。例如,将 var Monitor = require('monitor'); 替换为以下代码:
<script src="/path/to/monitor/dist/monitor-all.min.js"></script>
浏览器分布版本包含在 node-monitor 中,会将单个变量 Monitor 导出到全局命名空间,并且可以像 var Monitor = require('monitor'); 那样使用。
请注意,你的浏览器需要指向 localhost 或者位于防火墙后面,以便能够连接到配置的监控端口。参见下文的 “安全注意事项”。
在仪表盘中监控应用

monitor-dashboard 应用程序允许你在仪表盘中可视化你的监控。
$ npm install monitor-dashboard
$ npm start monitor-dashboard
3. 项目 API 使用文档
请访问 API 文档 来获取 node-monitor 的 JavaScript 文档。
4. 项目安装方式
项目的安装方式已在 “安装指南” 部分说明。通过 npm 安装 node-monitor 模块,并在应用引导代码中启动它。
请注意,出于安全考虑,默认情况下监控服务器只监听 localhost 的连接。如果你需要在多台机器之间进行监控,你需要更改默认配置以便监听非 localhost 地址。在更改配置之前,请确保了解相关风险,并采取外部措施以防止未授权访问。有关更多信息,请参见 config/external.js 文件中的说明。
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