Petal Components 开源项目使用手册
1. 项目目录结构及介绍
Petal Components 是一套专为 Phoenix 框架开发者设计的 HEEX 组件库,旨在简化美观的网页应用构建过程。以下是对核心目录结构的概览:
-
lib: 包含所有组件的实现代码。petal_components: 核心模块,按功能分为不同的模块如Avatar,Modal,Table等。petal_components_web: 相关的Web特定逻辑或集成部分。
-
assets: 通常包括静态资源,但在这个上下文中,Petal Components可能依赖于此来提供客户端JavaScript支持(例如Alpine.js)。 -
config: 配置文件所在目录,可以在此找到如何设置错误翻译函数等配置项的示例。 -
test: 单元测试和集成测试代码,确保各组件按预期工作。 -
.gitignore,mix.exs,README.md: 标准Git忽略文件、项目配置文件以及项目的读我文档,是任何Elixir项目的标准组成部分。
2. 项目的启动文件介绍
在 Petal Components 作为依赖被其他项目引入时,其自身并不直接启动一个应用。但在你的 Phoenix 项目中,通过在lib/your_app/application.ex文件中加入对use PetalComponents的调用,你可以启用并导入所有Petal Components。虽然“启动文件”直接指代的是Phoenix应用的这个配置文件,Petal Components的启动体验更多地体现在将其添加到你的项目依赖并通过混入相应模块的方式来“启动”使用它的能力。
3. 项目的配置文件介绍
Petal Components 的主要配置位于你的 Phoenix 应用中的相关地方,而非项目本身直接提供一个单独的配置文件。配置通常是通过config/config.exs或特定环境的配置文件进行的。要配置Petal Components,你需要添加相应的选项到你的应用程序配置中,比如设置错误翻译函数。示例配置如下:
config :petal_components, :error_translator_function, YourApp.Web.ErrorHelpers.translate_error
这行配置指示Petal Components使用提供的函数进行表单错误的翻译。此外,根据官方说明,关于CSS配置,可能需要调整TailwindCSS的配置以指定扫描Petal Components库中的类,但具体配置细节需在你的Tailwind配置文件(tailwind.config.js)中完成。
通过这种方式,Petal Components让你能够定制化其集成方式,从而满足不同项目的具体需求,而不直接控制一个启动流程或拥有独立的配置文件。
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