Pixi项目v0.45.0版本发布:任务参数变量与工作区改进
2025-06-13 09:57:07作者:韦蓉瑛
Pixi是一个跨平台的包管理和环境管理工具,它可以帮助开发者轻松管理项目依赖和环境配置。Pixi的设计理念是简化开发环境的搭建过程,让开发者能够专注于代码本身而不是环境配置。
任务参数变量的引入
本次v0.45.0版本最重要的新特性是任务参数变量的支持。在项目配置文件中,现在可以通过args键来定义任务的参数,这为任务执行提供了更大的灵活性。
参数变量的基本用法
在manifest文件中,可以这样定义带参数的任务:
[tasks.install]
cmd = "cargo install {{ type }} --path {{ path }}"
args = ["path", { arg = "type", default = "--release" }]
这里path是必填参数,而type则是可选参数,并设置了默认值--release。这样的设计使得任务调用更加灵活:
pixi run install /path/to/manifest
pixi run install /path/to/manifest --debug
向后兼容性
对于没有定义args的任务,Pixi保持了原有的行为,所有附加到CLI的参数都会被直接传递给任务命令。例如:
[tasks.install]
cmd = "cargo install"
执行pixi run install --debug --path /path/to/manifest会直接运行cargo install --debug --path /path/to/manifest。
工作区名称变为可选
另一个重要改进是工作区名称现在变为可选。这一变化简化了项目配置,特别是对于小型项目或快速原型开发,开发者不再需要为工作区强制命名。
文档与用户体验改进
本次更新还包含多项文档改进和用户体验优化:
- 完善了任务工作目录默认行为的文档说明
- 重新组织了环境变量相关文档
- 更新了Python版本引用的准确性
- 改进了
pixi-pack对PyPI包的支持文档
问题修复
v0.45.0版本修复了多个问题,包括:
- 修复了
pixi run deno命令的执行问题 - 解决了
pixi config list proxy-config命令的问题 - 改进了shell-hook的安全性,避免执行意外命令
- 修复了Windows平台上
pixi global对quicklaunch的不必要检查
性能优化
在性能方面,本次更新优化了pixi global命令的补全功能,确保只在必要时调用相关函数,减少了不必要的性能开销。
总结
Pixi v0.45.0版本通过引入任务参数变量,为开发者提供了更灵活的任务配置方式。同时,工作区名称变为可选、多项文档改进和问题修复,都进一步提升了Pixi的易用性和稳定性。这些改进使得Pixi在包管理和环境管理方面的能力更加强大,能够更好地满足开发者的需求。
登录后查看全文
热门项目推荐
相关项目推荐
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
HunyuanVideo-1.5暂无简介00
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
项目优选
收起
deepin linux kernel
C
24
7
Ascend Extension for PyTorch
Python
173
193
本项目是CANN提供的数学类基础计算算子库,实现网络在NPU上加速计算。
C++
647
263
TorchAir 支持用户基于PyTorch框架和torch_npu插件在昇腾NPU上使用图模式进行推理。
Python
268
93
暂无简介
Dart
622
140
本仓将收集和展示高质量的仓颉示例代码,欢迎大家投稿,让全世界看到您的妙趣设计,也让更多人通过您的编码理解和喜爱仓颉语言。
Cangjie
377
3.32 K
React Native鸿蒙化仓库
JavaScript
242
315
🎉 (RuoYi)官方仓库 基于SpringBoot,Spring Security,JWT,Vue3 & Vite、Element Plus 的前后端分离权限管理系统
Vue
1.1 K
621
仓颉编译器源码及 cjdb 调试工具。
C++
126
856
Nop Platform 2.0是基于可逆计算理论实现的采用面向语言编程范式的新一代低代码开发平台,包含基于全新原理从零开始研发的GraphQL引擎、ORM引擎、工作流引擎、报表引擎、规则引擎、批处理引引擎等完整设计。nop-entropy是它的后端部分,采用java语言实现,可选择集成Spring框架或者Quarkus框架。中小企业可以免费商用
Java
9
1