系统工具箱 - 构建分布式系统的新框架
系统工具箱(systems-toolbox) 是一个创新的开源库,它旨在帮助开发者构建复杂而有序的分布式系统。这个项目的核心理念是将应用程序视为系统,并通过观察和理解这些系统的特性来优化开发流程。了解更多关于系统思维的知识和这个库的设计原理,你可以在项目文档中找到详细信息。
库中的宝藏
系统工具箱 提供了构建分布式系统的基础框架,包括跨多个JVM进程以及与浏览器实例交互的能力。未来还计划支持原生应用。这个库的特点是只提供最基本的功能,其余扩展则通过以下几个关联项目实现:
- systems-toolbox-ui:基于Reagent构建简洁UI的库,功能类似于React 和 Redux。
- systems-toolbox-sente:利用WebSocket连接浏览器子系统和后台服务,提供了HTTP服务器支持,包括HTTPS、HTTP2以及在应用服务器上的部署和REST资源服务。
- systems-toolbox-kafka:使用Kafka连接不同系统,形成更大型的分布式系统。
- systems-toolbox-metrics:展示了如何在子系统间实施功能的示例,如收集主机和JVM的状态统计,以及可在UI中嵌入的小部件。
软件包和测试
你可以从Clojars获取最新版本的工具体。对于Leiningen用户,只需将以下依赖添加到你的project.clj文件:
[matthiasn/systems-toolbox "version"]
别忘了添加core.async的依赖:
[org.clojure/core.async "0.6.532"]
要进行测试,可以运行:
$ lein test
或在JavaScript环境中:
$ lein doo node cljs-test once
本库使用CircleCI和TravisCI进行持续集成测试,确保JVM和JS平台的兼容性。
示例项目
为了展示系统工具箱的实际应用,有两个精彩的示例项目:
-
追踪鼠标指针:通过记录鼠标移动并显示两个圆圈,直观地显示出本地消息与客户端-服务器-客户端往返消息的延迟差异。你可以在此处查看**实时演示**。

-
鸟瞰:灵感来源于该库的玩具应用,它演示了多系统通信的基本概念。你可以在这里体验**在线版**。

反馈和问题
有任何问题或建议,请随时在仓库中打开问题讨论,也可以直接联系作者。我们欢迎所有形式的贡献,小到修复一个错别字,大到提交一个pull请求。聊天室也随时待命,见下方Gitter链接。
项目成熟度
尽管目前项目相对较新,API可能还会调整,但我们会保证小版本更新不会破坏已有系统。项目遵循Eclipse Public License v1.0 或更高版本发布。
版权
Copyright © 2015, 2016 Matthias Nehlsen
分布许可按照Eclipse公共许可证第1.0版或更高版本。
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