Yaade项目在FreeBSD系统上的构建与运行指南
Yaade是一款基于Kotlin和React开发的API开发与测试工具,本文将详细介绍如何在FreeBSD系统上完成Yaade项目的构建与运行过程。
系统环境准备
在FreeBSD系统上构建Yaade项目前,需要先安装必要的依赖包。使用root权限执行以下命令:
pkg -y install npm-node18 gradle openjdk17 kotlin
这条命令会安装Node.js 18、Gradle构建工具、OpenJDK 17以及Kotlin编译器,这些都是Yaade项目构建所必需的基础环境。
项目获取与初始化
获取项目源代码并设置Java环境变量:
git clone https://github.com/EsperoTech/yaade.git
export JAVA_VERSION=17
这里特别指定了Java版本为17,因为Yaade项目需要Java 17环境支持。环境变量的设置确保了后续构建过程中使用正确的Java版本。
项目构建步骤
Yaade项目采用前后端分离的架构,构建过程分为服务器端和客户端两部分。
服务器端构建
进入服务器目录并执行Gradle构建:
cd yaade/server/
./gradlew clean assemble
Gradle会下载所有必要的依赖并编译Kotlin代码。clean命令确保从头开始构建,避免缓存带来的问题。
客户端构建
客户端基于React技术栈,需要先安装Node.js依赖:
cd ../client/
npm install
安装完成后执行构建:
npm run build
这个命令会使用TypeScript编译器(tsc)和Vite构建工具生成生产环境可用的静态资源。
资源整合
构建完成后,需要将客户端生成的静态资源移动到服务器端资源目录:
rm -rf server/src/main/resources/webroot
mv client/dist server/src/main/resources/webroot
这一步确保了服务器能够正确提供前端页面服务。
完整服务器构建
回到服务器目录执行完整构建:
cd server
./gradlew clean build
这次构建会将前端资源打包到最终的服务器jar文件中。
运行配置
在FreeBSD系统上直接运行Yaade可能会遇到类加载问题,需要手动配置类路径。以下是推荐的运行方式:
准备运行环境
创建运行目录并复制必要的文件:
mkdir -p ~/yaade/libs
cp build/libs/dependencies/*.jar ~/yaade/libs/
cp -r build/resources/main ~/yaade/resources
cp -r build/classes/kotlin/main ~/yaade/classes
cp -r build/classes/java/main ~/yaade/classes
cp build/libs/*.jar ~/yaade/libs/
设置环境变量
配置Java类路径和内存参数:
export CLASSPATH=$HOME/yaade/classes:$HOME/yaade/resources:$HOME/yaade/libs
export YAADE_HEAP_SIZE=""
启动应用
进入运行目录并启动主类:
cd $HOME/yaade
java com.espero.yaade.MainKt
常见问题解决
在FreeBSD上运行可能会遇到"kotlin/coroutines/Continuation"类找不到的错误。这通常是由于Kotlin运行时库未正确加载导致的。确保以下几点:
- 所有依赖的jar文件都已复制到~/yaade/libs目录
- CLASSPATH环境变量设置正确,包含了所有必要的路径
- 使用的Java版本为17或更高
如果问题仍然存在,可以尝试使用Gradle的application插件提供的启动脚本,或者考虑使用Docker容器来运行Yaade应用,这样可以避免系统环境差异带来的问题。
总结
本文详细介绍了Yaade项目在FreeBSD系统上的完整构建和运行流程。虽然过程略显复杂,但遵循这些步骤应该能够在FreeBSD上成功运行Yaade。对于生产环境部署,建议考虑使用容器化技术简化部署过程并提高可移植性。
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