Sandboxed Module 技术文档
1. 安装指南
要安装 sandboxed-module,请在终端中运行以下命令:
npm install sandboxed-module
2. 项目的使用说明
sandboxed-module 是一个用于依赖注入的 Node.js 模块加载器。它允许你在模块中注入依赖项,主要用于单元测试。以下是一个简单的使用示例:
var SandboxedModule = require('sandboxed-module');
var user = SandboxedModule.require('./user', {
requires: {'mysql': {fake: 'mysql module'}},
globals: {myGlobal: 'variable'},
locals: {myLocal: 'other variable'},
});
在这个示例中,sandboxed-module 加载了 ./user 模块,并注入了 mysql 模块的假实现,以及一些全局和局部变量。
3. 项目API使用文档
SandboxedModule.load(moduleId, [options])
返回一个新的 SandboxedModule,其中 moduleId 是通常传递给 require() 的模块路径或 ID。该模块将在其自己的 v8 上下文中加载,但可以访问正常的 Node.js 环境。
options 是一个可选对象,用于注入以下内容:
requires:一个对象,包含moduleId和要注入的值,当沙盒模块需要它们时。globals:一个对象,包含要注入到沙盒模块中的全局变量。locals:一个对象,包含要注入到沙盒模块中的局部变量。sourceTransformers:一个对象,包含命名的函数,用于转换沙盒模块的源代码。singleOnly:如果为 false,沙盒模块所需的模块将不会被沙盒化。默认情况下,所有沙盒模块所需的模块都将使用相同的选项进行沙盒化。sourceTransformersSingleOnly:如果为 false,源转换器将不会对沙盒模块所需的模块运行。默认情况下,它将采用与singleOnly相同的值。
SandboxedModule.require(moduleId, [options])
与 SandboxedModule.load() 相同,但直接返回 sandboxedModule.exports。
SandboxedModule.configure(options)
在所有 SandboxedModule.load() 和 SandboxedModule.require() 使用中全局设置选项。
SandboxedModule.registerBuiltInSourceTransformer(name)
启用内置的源转换器。目前,SandboxedModule 有两个内置源转换器:
"coffee"- 使用 CoffeeScript 编译源代码。"istanbul"- 当 istanbul 代码覆盖运行时,通过 istanbul 进行源代码插桩。
sandboxedModule.filename
模块的完整路径。
sandboxedModule.module
底层的 Node.js Module 实例。
sandboxedModule.exports
返回 sandboxedModule.module.exports 对象的 getter。
sandboxedModule.globals
该模块加载的 v8 上下文的全局对象。对该对象的修改将反映在沙盒模块中。
sandboxedModule.locals
使用闭包注入到沙盒模块中的局部变量。修改此对象不会影响沙盒的状态。
sandboxedModule.required
一个对象,包含沙盒模块本身所需的所有模块的列表。键是用于 require 调用的 moduleId。
sandboxedModule.sourceTransformers
一个命名的函数对象,用于转换通过 SandboxedModule.require 所需的源代码。
4. 项目安装方式
sandboxed-module 可以通过 npm 安装,安装命令如下:
npm install sandboxed-module
安装完成后,你可以在项目中通过 require('sandboxed-module') 来使用它。
kernelopenEuler内核是openEuler操作系统的核心,既是系统性能与稳定性的基石,也是连接处理器、设备与服务的桥梁。C030
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