PyEos 项目教程
1. 项目介绍
PyEos 是一个基于 EOSIO 的通用智能合约平台,旨在为开发者提供一个高效、灵活的智能合约开发环境。PyEos 支持多种编程语言的智能合约开发,包括 Python、Ethereum、Lua 和 Java。通过 PyEos,开发者可以轻松创建、部署和管理智能合约,同时享受 EOSIO 的高性能和安全性。
2. 项目快速启动
2.1 安装依赖
在开始之前,请确保您的系统已经安装了必要的依赖项。以下是不同操作系统的安装命令:
Ubuntu
sudo apt-get install libleveldb-dev
sudo apt-get install libreadline-dev
CentOS
sudo yum install leveldb-devel
sudo yum install readline-devel
sudo yum install libffi-devel
macOS
brew install leveldb
brew install readline
2.2 下载源码
使用 Git 克隆 PyEos 项目到本地:
git clone https://github.com/learnforpractice/pyeos.git
cd pyeos
git submodule update --init --recursive
2.3 构建项目
运行以下命令来构建 PyEos:
./eosio_build.sh
2.4 启动 PyEos
构建完成后,启动 PyEos:
./build/programs/pyeos/pyeos --manual-gen-block --debug -i --contracts-console
2.5 创建智能合约
使用 PyEos 提供的 sketch 工具创建一个 Python 智能合约:
sketch create('hello', 'helloworld', 'py')
2.6 测试智能合约
进入生成的 helloworld 目录,运行测试脚本:
cd helloworld
python t.py
3. 应用案例和最佳实践
3.1 Python 智能合约开发
PyEos 支持使用 Python 编写智能合约。以下是一个简单的 Python 智能合约示例:
from pyeos import Contract
class HelloWorld(Contract):
def apply(self, receiver, code, action):
if action == 'hi':
self.hi(receiver)
def hi(self, user):
print(f"Hello, {user}!")
if __name__ == "__main__":
HelloWorld().apply('hello', 'hello', 'hi')
3.2 Ethereum 智能合约开发
PyEos 还支持 Ethereum 智能合约的开发。您可以在 pyeos/programs/pyeos/tests/evm 目录下找到相关示例。
3.3 Lua 智能合约开发
对于 Lua 智能合约,您可以在 pyeos/programs/pyeos/tests/lua 目录下找到示例代码。
3.4 Java 智能合约开发
PyEos 还支持 Java 智能合约的开发。请确保您的 JDK 版本为 10 或更高,并在 pyeos/programs/pyeos/tests/java 目录下找到示例代码。
4. 典型生态项目
4.1 EOSIO 生态
PyEos 作为 EOSIO 生态的一部分,与其他 EOSIO 项目紧密集成。您可以使用 PyEos 开发基于 EOSIO 的去中心化应用(DApps)。
4.2 跨链集成
PyEos 支持多种智能合约语言,使其成为跨链集成的理想选择。您可以使用 PyEos 开发跨链智能合约,实现不同区块链平台之间的互操作性。
4.3 高性能应用
由于 PyEos 基于 EOSIO,它继承了 EOSIO 的高性能特性。您可以使用 PyEos 开发高性能的去中心化应用,满足高并发和低延迟的需求。
通过以上步骤,您可以快速上手 PyEos,并开始开发您的智能合约项目。
ERNIE-4.5-VL-28B-A3B-ThinkingERNIE-4.5-VL-28B-A3B-Thinking 是 ERNIE-4.5-VL-28B-A3B 架构的重大升级,通过中期大规模视觉-语言推理数据训练,显著提升了模型的表征能力和模态对齐,实现了多模态推理能力的突破性飞跃Python00
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
MiniMax-M2MiniMax-M2是MiniMaxAI开源的高效MoE模型,2300亿总参数中仅激活100亿,却在编码和智能体任务上表现卓越。它支持多文件编辑、终端操作和复杂工具链调用Python00
Spark-Prover-X1-7BSpark-Prover 是由科大讯飞团队开发的专用大型语言模型,专为 Lean4 中的自动定理证明而设计。该模型采用创新的三阶段训练策略,显著增强了形式化推理能力,在同等规模的开源模型中实现了最先进的性能。Python00
MiniCPM-V-4_5MiniCPM-V 4.5 是 MiniCPM-V 系列中最新且功能最强的模型。该模型基于 Qwen3-8B 和 SigLIP2-400M 构建,总参数量为 80 亿。与之前的 MiniCPM-V 和 MiniCPM-o 模型相比,它在性能上有显著提升,并引入了新的实用功能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
GOT-OCR-2.0-hf阶跃星辰StepFun推出的GOT-OCR-2.0-hf是一款强大的多语言OCR开源模型,支持从普通文档到复杂场景的文字识别。它能精准处理表格、图表、数学公式、几何图形甚至乐谱等特殊内容,输出结果可通过第三方工具渲染成多种格式。模型支持1024×1024高分辨率输入,具备多页批量处理、动态分块识别和交互式区域选择等创新功能,用户可通过坐标或颜色指定识别区域。基于Apache 2.0协议开源,提供Hugging Face演示和完整代码,适用于学术研究到工业应用的广泛场景,为OCR领域带来突破性解决方案。00