本周Github上6个有趣项目AdonisJs、Vanna 等

本周Github上有趣的项目、工具和图书馆

1、AdonisJS
AdonisJs 是一个注重人体工程学和速度的全栈 Web 框架。它解决了许多 Web 开发方面的麻烦，为您提供了一个简洁、稳定的 API 来构建 Web 应用程序和微服务。

AdonisJS 是 Node.js 的 TypeScript 优先 Web 框架。您可以使用它来创建全栈 Web 应用程序或 JSON API 服务器。

在基础层面上，AdonisJS为您的应用程序提供结构，配置无缝的 TypeScript 开发环境，并提供大量维护良好且记录广泛的软件包。

我们设想使用 AdonisJS 的团队可以花更少的时间在琐碎的决策上，比如为每个小功能挑选 npm 包、编写粘合代码、讨论完美的文件夹结构，以及花更多的时间提供对业务需求至关重要的实际功能。

前端不可知论
AdonisJS 专注于后端，让您可以选择自己喜欢的前端堆栈。

如果您想让事情变得简单，请将 AdonisJS 与传统模板引擎配对以在服务器上生成静态 HTML。或者为您的前端 Vue/React 应用程序创建一个 JSON API。

AdonisJS 旨在为您提供电池，以从头开始创建强大的后端应用程序。无论是发送电子邮件、验证用户输入、执行 CRUD 操作还是验证用户身份。我们负责这一切。

现代且类型安全
AdonisJS 构建在现代 JavaScript 原语之上。我们使用 ES 模块、Node.js 子路径导入别名、用于执行 TypeScript 源的 SWC 以及用于资产捆绑的 Vite。
此外，TypeScript 在设计框架的 API 时也发挥着相当大的作用。例如，AdonisJS 有：

• 类型安全的事件发射器
• 类型安全的环境变量
• 类型安全验证库

拥抱 MVC
AdonisJS 采用经典的 MVC 设计模式。首先使用函数式 JavaScript API 定义路由，将控制器绑定到它们，并编写逻辑来处理控制器内的 HTTP 请求。

import router from '@adonisjs/core/services/router'
import PostsController from 'controllers/posts_controller'

router.get('posts', [PostsController, 'index'])

控制器可以使用模型从数据库中获取数据并呈现视图（也称为模板）作为响应。

import { HttpContext } from '@adonisjs/core/http'
import Post from 'models/post'

export default class PostsController {
  async index({ view }: HttpContext) {
    const posts = await Post.all()
    return view.render('pages/posts/list', { posts })
  }
}

import { HttpContext } from '@adonisjs/core/http'
import Post from 'models/post'

export default class PostsController {
  async index({ view }: HttpContext) {
    const posts = await Post.all()
    return view.render('pages/posts/list', { posts })
    /**
     * Posts array will be serialized to JSON
     * automatically.
     */
    return posts
  }
}

VSCode 扩展
您可以在任何支持 TypeScript 的代码编辑器上开发 AdonisJS 应用程序。不过，我们为 VSCode 开发了多个扩展，以进一步增强开发体验。

• AdonisJS - 查看应用程序路由、运行 ace 命令、迁移数据库以及直接从代码编辑器读取文档。
• Edge - 通过支持语法突出显示、自动完成和代码片段来增强您的开发工作流程。
• Japa - 使用键盘快捷键无需离开代码编辑器即可运行测试，或直接从活动侧边栏运行测试。

2、Vanna
与 SQL 数据库聊天使用 RAG 通过 LLM 生成准确的文本到 SQL。

Vanna 是一个获得 MIT 许可的开源 Python RAG（检索增强生成）框架，用于 SQL 生成和相关功能。

Vanna 的工作过程分为两个简单步骤 - 在您的数据上训练 RAG“模型”，然后提出问题，这些问题将返回 SQL 查询，这些查询可以设置为在您的数据库上自动运行。

1. 根据您的数据训练 RAG“模型”。
2. 问问题。

训练方式：

• 使用 DDL 语句进行训练
• 使用业务术语或定义的文档进行培训
• 使用 SQL 进行训练

问问题：

vn.ask("What are the top 10 customers by sales?")

SELECT c.c_name as customer_name, sum(l.l_extendedprice * (1 - l.l_discount)) as total_sales FROM snowflake_sample_data.tpch_sf1.lineitem l join snowflake_sample_data.tpch_sf1.orders o ON l.l_orderkey = o.o_orderkey join snowflake_sample_data.tpch_sf1.customer c ON o.o_custkey = c.c_custkey GROUP BY customer_name ORDER BY total_sales desc limit 10;

特点

1. 复杂数据集的高精度。
   • Vanna 的能力与您提供的训练数据相关
   • 更多训练数据意味着大型复杂数据集的准确性更高