Keycloakify项目:如何为Keycloak插件创建自定义模板
在Keycloakify项目中,开发者经常需要为Keycloak插件创建自定义模板页面。本文将以keycloak-2fa-email-authenticator插件为例,详细介绍如何实现这一需求。
核心概念
Keycloak插件通常会提供自己的Freemarker模板(ftl文件),这些模板决定了认证流程中的页面展示。通过Keycloakify,我们可以对这些模板进行自定义样式和布局的修改。
实现步骤
-
定位模板文件 首先需要确定插件提供的模板文件位置。对于keycloak-2fa-email-authenticator插件,核心模板是email-code-form.ftl,它负责显示二次认证的邮件验证码输入界面。
-
创建自定义主题 在Keycloakify项目中,可以通过创建自定义主题来覆盖插件的默认模板。具体做法是在项目的theme-resources/templates目录下创建同名模板文件。
-
本地测试环境配置 为了在本地测试自定义模板,需要在vite.config.ts中进行特殊配置:
export default defineConfig({ plugins: [ keycloakify({ startKeycloakOptions: { dockerImage: "quay.io/keycloak/keycloak:22.0.1", extensionJars: [ "keycloak-2fa-email-authenticator插件jar包地址" ] } }) ] });这样配置后,运行npx keycloakify start-keycloak命令会启动一个包含所需插件的Keycloak容器。
技术细节
-
模板继承机制 Keycloakify允许通过创建同名模板文件来覆盖插件的默认模板。系统会优先使用自定义主题中的模板文件。
-
版本兼容性 选择Keycloak版本时需要注意与插件的兼容性。示例中使用的是Keycloak 22.0.1版本,因为这是keycloak-2fa-email-authenticator插件测试通过的版本。
-
开发流程
- 创建自定义模板文件
- 配置本地测试环境
- 启动测试容器验证修改
- 迭代优化模板设计
最佳实践
-
保持模板简洁 自定义模板应专注于UI展示,避免包含复杂业务逻辑。
-
响应式设计 考虑到不同设备的访问,模板应该采用响应式布局。
-
样式隔离 使用特定的CSS类名前缀,避免样式污染。
-
测试覆盖 确保在各种认证场景下测试模板的显示效果。
通过以上方法,开发者可以有效地为Keycloak插件创建美观且功能完善的自定义模板页面,提升最终用户的认证体验。
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