开源项目教程:ATX-Server 全攻略
项目介绍
ATX-Server 是一款用于智能设备管理的开源工具,特别是针对安卓设备集群的管理和自动化测试。该工具由 Go 语言编写(请注意,项目已经有一个更新的版本在 openatx/atxserver2),它允许测试人员或开发者远程监控和控制多台安卓设备,无需物理连线,只需设备充电连接即可实现集群管理。它与 rethinkdb 数据库集成,提供了一个直观的界面来查看和操作连接的设备。
项目快速启动
环境准备
确保你的开发环境已经配置了 Go 和 RethinkDB。对于 macOS 用户,推荐使用 brew 安装:
brew install go
brew install rethinkdb
获取并构建 ATX-Server
进入工作目录并获取 ATX-Server 源码:
mkdir -p $GOPATH/src/github.com/openatx
cd $_
git clone https://github.com/openatx-archive/atx-server.git
cd atx-server
然后,编译 ATX-Server:
go build
启动 RethinkDB
打开终端,启动 RethinkDB 数据库服务:
rethinkdb
运行 ATX-Server
使用以下命令启动 ATX-Server,假设你希望服务监听在 8000 端口:
./atx-server --port 8000
此时,ATX-Server 应已在本地 8000 端口上运行,你可以通过浏览器访问 http://localhost:8000 查看是否正常启动。
应用案例和最佳实践
设备自动接入
确保你的安卓设备和运行 ATX-Server 的服务器处于同一网络中。通过安装 uiautomator2 配置 ATX-Agent,可以在设备上执行以下命令使得设备注册到 ATX-Server:
adb shell pm grant com.github.uiautomator2.server android.permission.WRITE_SECURE_SETTINGS
adb push <path_to_atx_agent>.apk /data/local/tmp/
adb shell "/data/local/tmp/atx-agent -d"
这里 <path_to_atx_agent> 需要替换为实际的 ATX-Agent APK 路径。
自动化测试集成
ATX-Server 可以被用于持续集成流水线,例如,在 Jenkins 上部署自动化测试套件,每次构建后自动对连接的设备执行测试脚本。
典型生态项目
随着 ATX-Server 的发展,围绕它的生态系统也逐渐形成,包括但不限于:
- atxserver2: 新版 ATX-Server 用 Python 重写,提供更多现代化的功能和更好的扩展性。
- uiautomator2: 一个强大的安卓自动化测试工具,与 ATX-Server 高度集成,用于编写和执行测试脚本。
- AppAutomator: 基于 ATX-Server 进行应用级的自动化测试工具。
通过这些工具和 ATX-Server 的组合,团队能够高效地进行大规模的设备管理和自动化测试实践,特别是在移动应用的开发和维护过程中。
以上就是关于 ATX-Server 的快速入门指南,深入学习和高级功能探索,建议查阅其官方文档和社区资源。
Kimi-K2.5Kimi K2.5 是一款开源的原生多模态智能体模型,它在 Kimi-K2-Base 的基础上,通过对约 15 万亿混合视觉和文本 tokens 进行持续预训练构建而成。该模型将视觉与语言理解、高级智能体能力、即时模式与思考模式,以及对话式与智能体范式无缝融合。Python00
GLM-4.7-FlashGLM-4.7-Flash 是一款 30B-A3B MoE 模型。作为 30B 级别中的佼佼者,GLM-4.7-Flash 为追求性能与效率平衡的轻量化部署提供了全新选择。Jinja00
VLOOKVLOOK™ 是优雅好用的 Typora/Markdown 主题包和增强插件。 VLOOK™ is an elegant and practical THEME PACKAGE × ENHANCEMENT PLUGIN for Typora/Markdown.Less00
PaddleOCR-VL-1.5PaddleOCR-VL-1.5 是 PaddleOCR-VL 的新一代进阶模型,在 OmniDocBench v1.5 上实现了 94.5% 的全新 state-of-the-art 准确率。 为了严格评估模型在真实物理畸变下的鲁棒性——包括扫描伪影、倾斜、扭曲、屏幕拍摄和光照变化——我们提出了 Real5-OmniDocBench 基准测试集。实验结果表明,该增强模型在新构建的基准测试集上达到了 SOTA 性能。此外,我们通过整合印章识别和文本检测识别(text spotting)任务扩展了模型的能力,同时保持 0.9B 的超紧凑 VLM 规模,具备高效率特性。Python00
KuiklyUI基于KMP技术的高性能、全平台开发框架,具备统一代码库、极致易用性和动态灵活性。 Provide a high-performance, full-platform development framework with unified codebase, ultimate ease of use, and dynamic flexibility. 注意:本仓库为Github仓库镜像,PR或Issue请移步至Github发起,感谢支持!Kotlin07
compass-metrics-modelMetrics model project for the OSS CompassPython00