Vike项目中关于STORYBOOK环境变量的处理优化
在Vike项目的最新开发中,团队针对STORYBOOK环境变量的处理方式进行了重要优化。这个改动源于开发者在使用过程中遇到的一个实际问题:当在客户端代码中使用import.meta.env.STORYBOOK时,Vike的安全机制会阻止这种用法,因为该环境变量可能会被意外暴露在客户端代码中。
Vike框架原本的设计理念是:任何不以PUBLIC_ENV__为前缀的环境变量都不应该出现在客户端代码中,这是为了防止敏感信息意外泄露。然而,STORYBOOK这个特殊的环境变量是由Storybook工具本身自动注入的,开发者很难通过常规方式修改其命名前缀。
经过深入讨论和技术评估,Vike团队决定采取以下解决方案:
-
将STORYBOOK环境变量加入白名单,允许它在客户端代码中直接使用,无需添加PUBLIC_ENV__前缀。这相当于框架内部将STORYBOOK视为已经具有公共前缀的环境变量。
-
计划在未来版本中引入更灵活的配置方式,通过vike.config.js文件中的env.public设置来明确指定哪些环境变量可以在客户端使用。这将为开发者提供更细粒度的控制能力。
这个改动体现了Vike框架在安全性和实用性之间的平衡。一方面,框架需要防止敏感信息泄露;另一方面,也需要考虑实际开发场景中的特殊需求。对于使用Storybook进行组件开发的团队来说,这个优化将显著简化他们的开发流程,无需再为环境变量的命名问题而烦恼。
值得注意的是,这种白名单机制是经过慎重考虑的临时方案。Vike团队正在规划更完善的公共环境变量管理系统,这将包括更灵活的配置选项和更清晰的文档说明,帮助开发者更好地管理不同环境下的变量使用。
对于开发者来说,现在可以安全地在客户端代码中使用STORYBOOK环境变量来判断当前是否运行在Storybook环境中,而不用担心框架的安全检查报错。同时,也应该注意不要滥用这个特性,其他敏感环境变量仍然需要遵循原有的命名规范。
这个改进展示了Vike框架对开发者反馈的快速响应能力,以及框架设计上的灵活性。随着0.4.177版本的预发布,相关功能已经可供开发者试用,为前端开发工作流带来了更多便利。
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