QuickJS-Windows-Build 项目教程
1. 项目介绍
QuickJS-Windows-Build 是一个用于在 Windows 平台上构建 QuickJS 的 GitHub 项目。QuickJS 是一个轻量级、快速的 JavaScript 引擎,由 Fabrice Bellard 开发。该项目的主要目的是为 Windows 用户提供一个方便的方式来构建和使用 QuickJS,同时也支持在 Linux 上使用。
QuickJS 引擎支持 ES2020 规范,具有较小的内存占用和快速的执行速度,非常适合嵌入式系统和需要高性能的场景。QuickJS-Windows-Build 项目通过提供预编译的二进制文件和详细的构建指南,简化了在 Windows 上使用 QuickJS 的过程。
2. 项目快速启动
2.1 环境准备
在开始之前,确保你已经安装了 MSYS2。MSYS2 是一个用于 Windows 的软件分发和构建平台,提供了类似于 Linux 的开发环境。
安装 MSYS2
- 下载并安装 MSYS2:MSYS2 官网
- 打开 MSYS2 终端,并更新包管理器:
pacman -Syu
安装构建工具
根据你需要构建的 QuickJS 版本(32 位或 64 位),安装相应的工具链:
-
64 位版本:
pacman -S mingw-w64-x86_64-gcc mingw-w64-x86_64-make mingw-w64-x86_64-dlfcn -
32 位版本:
pacman -S mingw-w64-i686-gcc mingw-w64-i686-make mingw-w64-i686-dlfcn
2.2 获取源代码
克隆 QuickJS-Windows-Build 项目到本地:
git clone https://github.com/mengmo/QuickJS-Windows-Build.git
cd QuickJS-Windows-Build
2.3 编译 QuickJS
在项目目录下执行以下命令进行编译:
make LDEXPORT="-static -s"
编译完成后,你将得到 qjs.exe 和 qjsc.exe 等可执行文件。
2.4 运行示例
编译完成后,你可以运行一个简单的示例来验证安装是否成功:
./qjs examples/hello.js
如果一切正常,你应该会看到输出 "Hello, World!"。
3. 应用案例和最佳实践
3.1 嵌入式系统中的应用
QuickJS 由于其轻量级和高性能的特点,非常适合嵌入式系统中的应用。例如,你可以将 QuickJS 嵌入到物联网设备中,用于执行简单的脚本任务或处理数据。
3.2 桌面应用中的脚本引擎
在桌面应用中,QuickJS 可以作为一个轻量级的脚本引擎,用于扩展应用的功能。例如,你可以在一个 C++ 应用中嵌入 QuickJS,允许用户编写和执行 JavaScript 脚本来定制应用行为。
3.3 自动化测试
QuickJS 也可以用于自动化测试,特别是在需要快速执行大量测试用例的场景中。由于其快速的启动时间和低内存占用,QuickJS 可以显著提高测试的效率。
4. 典型生态项目
4.1 QuickJSPP
QuickJSPP 是一个 C++ 包装器,允许你在 C++ 应用中使用 QuickJS。它提供了更高级的 API,使得在 C++ 中使用 QuickJS 更加方便。
4.2 QuickJS-Pascal
QuickJS-Pascal 是一个 FreePascal/Delphi 绑定库,允许你在 Pascal 语言中使用 QuickJS。它为 Pascal 开发者提供了一个强大的 JavaScript 引擎。
4.3 quickjs-rs
quickjs-rs 是一个 Rust 包装器,允许你在 Rust 应用中使用 QuickJS。它提供了 Rust 风格的 API,使得在 Rust 中使用 QuickJS 更加自然。
通过这些生态项目,你可以将 QuickJS 集成到各种不同的编程语言和环境中,扩展其应用范围。
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