GitHub Actions 部署到 GitHub Pages 教程
1. 项目介绍
deploy-pages 是一个 GitHub Action,用于将之前上传为工件(artifact)的 Pages 站点部署到 GitHub Pages。这个 Action 推荐在专门的作业中使用,以确保部署过程的独立性和可靠性。
主要功能
- 部署工件:将之前上传的工件部署到 GitHub Pages。
- 环境支持:支持
github-pages环境,并可根据需要配置不同的环境。 - 权限控制:通过
GITHUB_TOKEN进行权限控制,确保部署的安全性。
2. 项目快速启动
2.1 创建工作流文件
在你的 GitHub 仓库中,创建一个 .github/workflows/deploy.yml 文件,并添加以下内容:
name: Deploy to GitHub Pages
on:
push:
branches:
- main
jobs:
build:
runs-on: ubuntu-latest
steps:
- name: Checkout code
uses: actions/checkout@v2
- name: Upload Pages Artifact
uses: actions/upload-pages-artifact@v1
with:
path: ./build
deploy:
needs: build
runs-on: ubuntu-latest
environment:
name: github-pages
url: $[[ steps.deployment.outputs.page_url ]]
steps:
- name: Deploy to GitHub Pages
id: deployment
uses: actions/deploy-pages@v4
with:
token: $[[ secrets.GITHUB_TOKEN ]]
2.2 配置权限
确保你的 GITHUB_TOKEN 具有足够的权限来部署到 GitHub Pages。你可以在仓库的设置中配置这些权限。
2.3 触发部署
将上述工作流文件推送到 main 分支,GitHub Actions 将自动触发部署过程。
3. 应用案例和最佳实践
3.1 静态网站部署
使用 deploy-pages 可以轻松地将静态网站部署到 GitHub Pages。例如,你可以使用 React、Vue 或 Hugo 等框架生成静态网站,然后通过 upload-pages-artifact 上传生成的工件,最后使用 deploy-pages 进行部署。
3.2 CI/CD 集成
将 deploy-pages 集成到你的 CI/CD 流程中,可以在每次代码推送时自动部署到 GitHub Pages,确保网站内容的实时更新。
3.3 多环境部署
通过配置不同的环境,你可以在不同的分支或环境中进行部署。例如,你可以在 staging 环境中测试部署,然后在 production 环境中正式发布。
4. 典型生态项目
4.1 actions/upload-pages-artifact
upload-pages-artifact 是 deploy-pages 的配套 Action,用于将生成的工件上传到 GitHub Pages。它支持多种文件格式和路径,确保你可以灵活地上传所需的文件。
4.2 actions/checkout
checkout 是一个常用的 GitHub Action,用于从仓库中检出代码。在部署过程中,通常需要先检出代码,然后再进行构建和部署。
4.3 actions/setup-node
如果你使用 Node.js 进行开发,setup-node 可以帮助你快速设置 Node.js 环境,并安装所需的依赖包。这对于构建静态网站非常有用。
通过以上模块的介绍,你可以快速上手并使用 deploy-pages 进行 GitHub Pages 的部署。希望这篇教程对你有所帮助!
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-1.5HunyuanVideo-1.5作为一款轻量级视频生成模型,仅需83亿参数即可提供顶级画质,大幅降低使用门槛。该模型在消费级显卡上运行流畅,让每位开发者和创作者都能轻松使用。本代码库提供生成创意视频所需的实现方案与工具集。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
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