icestark 微前端解决方案快速入门教程
icestark 是一款由 Ice Lab 开发的,旨在解决大型应用微前端架构需求的解决方案。它支持多样的前端框架,如 React、Vue、Angular,并且提供了一系列功能来简化微前端的实施过程,包括沙盒环境、性能优化和灵活的接入方式。
1. 项目目录结构及介绍
典型的 icestark 项目结构展示了一款应用的基础布局和配置:
.
├── editorconfig # 编辑器配置文件
├── eslintignore # ESLint 忽略文件配置
├── eslintrc.js # ESLint 配置文件
├── gitignore # Git忽略文件配置
├── prettierrc # Prettier代码格式化配置
├── README.md # 项目说明文档
├── CHANGELOG.md # 更新日志
├── LICENSE # 许可证文件
├── codecov.yml # Codecov 配置文件
├── commitlint.config.js # CommitLint 规则配置
├── package.json # 包含依赖和脚本的主配置文件
├── pnpm-lock.yaml # Pnpm 锁文件(或npm/yarn等对应的依赖锁定文件)
├── pnpm-workspace.yaml # Pnpm 工作空间配置,定义了项目的工作区结构
├── setupJest.ts # Jest 测试设置
├── tsconfig.json # TypeScript编译配置
├── website # 项目网站相关文件夹
└── [其他业务相关源码文件]
这个结构清晰地区分了配置文件与源代码。核心的配置大多集中在根目录下的几个关键文件,而业务逻辑和界面则分布在特定的业务文件夹中。
2. 项目的启动文件介绍
在 icestark 中,虽然具体的启动文件可能因应用的不同而有所差异,但通常会有一个或者多个入口点,例如在主应用(main-app)中可能是src/App.jsx或src/App.vue,而对于子应用(child-app)可能是基于React或Vue的相似命名的文件。启动流程通常由以下部分组成:
-
对于主应用,启动文件会引入
@ice/stark相关的组件,如AppRouter,AppRoute,并且处理路由和子应用的注册加载。 -
子应用的启动可能更为简单,它关注于自身的渲染逻辑,并且在适配icestark时,可能会利用
registerAppEnter和registerAppLeave等生命周期函数来进行手动挂载和卸载。
3. 项目的配置文件介绍
主要配置文件:package.json 和 pnpm-workspace.yaml
-
package.json:包含了项目的元数据,如名称、版本、脚本命令、依赖等。启动命令如
npm start通常在这里定义。 -
pnpm-workspace.yaml(或类似npm/yarn的工作空间配置):在支持工作空间的环境中,定义了项目的结构和依赖关系,允许在单一的工程内管理多个包或应用。
微前端特定配置
- 在 icestark 的上下文中,配置主要体现在如何集成到你的应用中。例如,通过在主应用中加入
@ice/plugin-icestark插件并配置相关信息,这可能涉及修改ice.config.js或其他配置文件来指定应用类型为框架应用 (type: 'framework'),以及定义子应用的路径、加载模式和入口等。
示例配置片段:
在主应用的配置(可能在ice.config.js或相关配置文件中):
import { defineConfig } from '@ice/app';
import icestark from '@ice/plugin-icestark';
export default defineConfig(() => ({
plugins: [
// 设置应用为框架应用
icestark({
type: 'framework',
}),
],
}));
并在对应位置配置子应用的信息,可能在src/app.ts或特定配置文件里:
import { defineFrameworkConfig } from '@ice/plugin-icestark/types';
export const icestark = defineFrameworkConfig(() => ({
// ...子应用配置
}));
通过这样的配置,icestark能够管理和加载不同的微前端应用,实现大型应用的解耦与灵活管理。记得根据具体项目需求调整这些配置。
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