testssl.sh 项目中的 Docker 构建优化探讨
在 testssl.sh 项目的 Docker 构建过程中,开发者们正在讨论如何优化最终的镜像构建阶段。目前 Dockerfile 中包含了两个最终构建阶段:dist-local 和 dist-git,这引发了一些关于最佳实践的思考。
当前构建阶段分析
testssl.sh 的 Docker 构建流程目前提供了两种最终镜像构建方式:
-
dist-local 阶段:这是更传统的构建方式,假设用户已经将代码克隆到本地,然后基于本地文件系统构建镜像。这种方式允许使用
.dockerignore文件来排除不必要的文件,从而减小最终镜像的体积。 -
dist-git 阶段:这个阶段设计用于直接从 Git 仓库构建镜像,无需事先克隆代码到本地。虽然提供了便利性,但实际上这种构建方式在功能上是冗余的,因为同样的效果可以通过调整构建参数来实现。
优化建议
技术讨论中提出了几个优化方向:
-
调整阶段顺序:建议将
dist-local阶段作为默认构建目标,这可以通过简单地调整 Dockerfile 中多阶段构建的顺序来实现。按照 Docker 的惯例,最后一个定义的阶段会自动成为默认构建目标。 -
简化构建流程:考虑到
dist-git阶段的功能可以通过其他方式实现,建议移除这个专门的构建阶段,转而使用更标准的 Docker 构建参数来实现相同的功能。 -
构建体验优化:对于希望直接从 Git 构建的用户,可以提供更简洁的命令行示例,使用标准的 Docker 远程构建功能,而不需要专门的构建阶段。
技术实现细节
如果保留 dist-git 阶段作为可选构建目标,用户可以通过以下方式使用:
docker build \
--tag localhost/testssl.sh:版本号 \
--target dist-git \
--build-arg GIT_BRANCH=分支名 \
.
而如果采用更简化的方案,用户可以直接从远程仓库构建:
docker build --tag localhost/testssl.sh:版本号 https://github.com/testssl/testssl.sh.git#分支名
对于 Alpine 变体,由于需要使用不同的 Dockerfile,命令会稍复杂一些:
docker build \
--tag localhost/testssl.sh:版本号-alpine \
--file https://raw.githubusercontent.com/testssl/testssl.sh/分支名/Dockerfile-alpine \
https://github.com/testssl/testssl.sh.git#分支名
性能与便利性权衡
讨论中也提到了性能与便利性之间的权衡:
- 镜像体积:使用
dist-local方式配合.dockerignore可以最小化镜像体积,大约能节省 8MB 空间。 - 构建便利性:直接从 Git 构建提供了更好的用户体验,特别是对于自动化脚本和 CI/CD 流水线。
- 维护成本:减少特殊的构建阶段可以简化 Dockerfile 的维护工作。
结论
对于大多数用户来说,优先使用 dist-local 阶段作为默认构建目标是一个合理的选择。这不仅符合 Docker 的最佳实践,还能提供更好的构建灵活性。对于那些需要直接从 Git 仓库构建的特殊用例,可以通过标准的 Docker 远程构建功能来实现,而不需要维护专门的构建阶段。这种优化将使项目的 Docker 构建配置更加简洁和易于维护。
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