TBMQ 开源项目教程
1. 项目的目录结构及介绍
TBMQ 项目的目录结构如下:
tbmq/
├── application/
│ ├── common/
│ ├── dao/
│ ├── docker/
│ ├── img/
│ ├── k8s/
│ ├── msa/
│ ├── packaging/
│ │ └── java/
│ └── ui-ngx/
├── .gitignore
├── LICENSE
├── README.md
├── license-header-template.txt
├── pom.xml
├── pull_request_template.md
└── security.md
目录结构介绍
-
application/: 包含项目的核心代码和模块。
- common/: 公共代码库,包含项目中通用的工具类和函数。
- dao/: 数据访问对象(DAO)层,负责与数据库交互。
- docker/: Docker 相关文件,用于容器化部署。
- img/: 项目中使用的图片资源。
- k8s/: Kubernetes 相关配置文件,用于 Kubernetes 部署。
- msa/: 微服务架构相关代码。
- packaging/: 打包相关文件,包含 Java 打包配置。
- ui-ngx/: 前端代码,使用 Angular 框架。
-
.gitignore: Git 忽略文件,指定哪些文件或目录不需要被 Git 管理。
-
LICENSE: 项目许可证文件,采用 Apache 2.0 许可证。
-
README.md: 项目介绍文件,包含项目的基本信息和使用说明。
-
license-header-template.txt: 许可证头模板文件,用于代码文件的许可证声明。
-
pom.xml: Maven 项目配置文件,定义项目的依赖和构建配置。
-
pull_request_template.md: Pull Request 模板文件,用于规范代码提交。
-
security.md: 安全相关文档,包含项目的安全策略和注意事项。
2. 项目的启动文件介绍
TBMQ 项目的启动文件主要位于 application/ 目录下。以下是主要的启动文件及其功能介绍:
-
application/Application.java: 这是项目的入口文件,负责启动整个应用程序。它包含了主类的定义和初始化代码。
-
application/config/ApplicationConfig.java: 应用程序的配置文件,定义了各种配置项,如数据库连接、日志配置等。
-
application/server/Server.java: 服务器启动文件,负责启动 MQTT 服务器并监听客户端连接。
3. 项目的配置文件介绍
TBMQ 项目的配置文件主要位于 application/config/ 目录下。以下是主要的配置文件及其功能介绍:
-
application.properties: 这是项目的主要配置文件,包含了各种配置项,如数据库连接信息、服务器端口、日志级别等。
-
logback.xml: 日志配置文件,定义了日志的输出格式、级别和存储位置。
-
docker-compose.yml: Docker 配置文件,定义了 Docker 容器的启动配置,包括服务依赖、网络配置等。
-
kubernetes.yaml: Kubernetes 配置文件,定义了 Kubernetes 部署的相关配置,如 Pod 配置、服务配置等。
通过以上配置文件,用户可以根据自己的需求对 TBMQ 项目进行定制化配置,以满足不同的应用场景。
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