Nox项目2025.02.09版本发布:全面增强PEP 723支持与工作流优化
Nox是一个流行的Python任务自动化工具,它允许开发者通过简单的Python脚本定义和管理复杂的自动化工作流。与传统的Makefile或Shell脚本相比,Nox提供了更强大、更灵活的Python原生方式来组织构建、测试和部署流程。2025年2月9日发布的2025.02.09版本带来了多项重要改进,特别是对PEP 723的支持增强和工作流程优化。
PEP 723支持全面升级
本次版本最显著的改进是对PEP 723的全面支持。PEP 723定义了Python脚本元数据的标准格式,允许在脚本文件中直接声明依赖项。Nox现在不仅支持在常规脚本中使用PEP 723元数据,还创新性地将其应用到了noxfile本身,实现了"插件"式的依赖管理。
开发者现在可以在noxfile中直接声明所需的依赖项,Nox会在运行前自动安装这些依赖,大大简化了环境配置过程。这一改进使得Nox的配置更加自包含,减少了对外部环境的依赖,提高了项目的可移植性。
期待已久的会话依赖功能
长期以来,Nox用户一直希望能够定义会话之间的依赖关系。2025.02.09版本终于引入了requires选项,允许一个会话显式声明它需要先运行哪些其他会话。
这一功能解决了复杂的多阶段构建和测试场景中的顺序控制问题。例如,在运行集成测试前自动执行单元测试,或者在构建文档前确保所有测试都已通过。通过简单的配置即可实现这些复杂的工作流,不再需要手动管理执行顺序或编写额外的协调代码。
Pyproject.toml支持增强
随着Python生态系统中pyproject.toml的普及,Nox也在不断加强对其的支持。本次更新新增了两个实用功能:
-
依赖组获取助手:简化了从pyproject.toml中读取和管理依赖组的过程,使得依赖管理更加模块化和可维护。
-
Python版本列表助手:提供了便捷的方法来获取和处理Python版本列表,特别适合需要支持多版本Python的项目。
此外,load_toml函数现在默认会查找"pyproject.toml"文件,进一步简化了配置过程。
虚拟环境与UV支持改进
在虚拟环境管理方面,本次更新修复了多个问题:
- 修正了MinGW环境下Python虚拟环境bin目录的路径问题
- 改进了PyPy版本标识符的处理,使其与GitHub Actions的行为一致
- 优化了虚拟环境的更新机制,避免不必要的后台更新进程
对于新兴的UV包管理器,本次更新也做了多项改进:
- 更好地处理UV未安装时的错误情况
- 确保
uv python install只在UV后端下使用 - 增加了对"uvx"别名的支持
- 改进了与pyenv的兼容性
开发者体验优化
除了功能增强外,本次更新还包含多项提升开发者体验的改进:
- 更好的错误提示:当配置无效的
reuse_venv或通过nox.options设置无效选项时,会给出更明确的错误信息 - 配置验证增强:使用attrs库验证
nox.config中的条目,提前发现配置问题 - 符号链接支持:现在可以正确识别和处理作为符号链接的noxfile
- 编码处理一致性:明确指定文件编码,确保在Python 3.15+中的行为一致
内部架构改进
在代码质量方面,本次更新进行了多项内部优化:
- 增加了更多Ruff静态检查规则并修复了相关问题
- 改进了类型注解,移除了不必要的类型忽略标记
- 重构了环境创建逻辑,提取为独立的辅助方法
- 使用现代测试工具替换过时的测试方法
- 全面静态类型化测试代码
总结
Nox 2025.02.09版本通过增强PEP 723支持、引入会话依赖功能、改进pyproject.toml集成以及优化虚拟环境管理,显著提升了自动化工作流的表达能力和可靠性。这些改进使得Nox在复杂项目的构建和测试场景中表现更加出色,同时保持了配置的简洁性和可维护性。对于Python开发者来说,这个版本无疑是一个值得升级的重要里程碑。
atomcodeClaude Code 的开源替代方案。连接任意大模型,编辑代码,运行命令,自动验证 — 全自动执行。用 Rust 构建,极致性能。 | An open-source alternative to Claude Code. Connect any LLM, edit code, run commands, and verify changes — autonomously. Built in Rust for speed. Get StartedRust0197
cann-learning-hubCANN 学习中心仓,支持在线互动运行、边学边练,提供教程、示例与优化方案,一站式助力昇腾开发者快速上手。Jupyter Notebook0126
MiMo-V2.5-Pro-FP4-DFlashMiMo-V2.5-Pro-FP4-DFlash 是驱动 MiMo-V2.5-Pro-UltraSpeed 的底层模型: FP4 量化骨干网络:对 MoE 专家采用 MXFP4 量化,同时保持模型其他部分的更高精度,在几乎无损质量的前提下,显著减小模型体积并降低内存带宽压力。 BF16 DFlash 草稿生成器:用于块扩散推测解码,每次前向传播可生成一整个块的 tokens,并让骨干网络一步完成验证。 两者协同作用,既降低了每参数的位宽,又减少了骨干网络前向传播的次数,而这两者正是万亿参数模型解码过程中的两大主要成本来源。Python00
JoyAI-EchoJoyAI-Echo,这是一个独立的、仅用于推理的版本,旨在实现分钟级多镜头音视频生成。它采用了经过蒸馏的DMD生成器、配对的跨模态记忆以及故事级别的一致性。其性能的核心在于,一个跨模态视听记忆库能够在长达五分钟的视频中保持角色外观和语音音色的一致性。同时,一个训练后处理流程将基于记忆的强化学习与分布匹配蒸馏相结合,实现了7.5倍的速度提升,显著增强了视觉质量和对齐效果。00
AstrBot✨ 易上手的多平台 LLM 聊天机器人及开发框架 ✨ 平台支持 QQ、QQ频道、Telegram、微信、企微、飞书 | OpenAI、DeepSeek、Gemini、硅基流动、月之暗面、Ollama、OneAPI、Dify 等。附带 WebUI。Python06
handy-ollama动手学Ollama,CPU玩转大模型部署,在线阅读地址:https://datawhalechina.github.io/handy-ollama/Jupyter Notebook07