🌸Simple·AI：极简 AI-Web 开发框架

📌0 目录

🌸Simple·AI：极简 AI-Web 开发框架

⚡ 快速导航：

想快速上手？查阅第2、4节

想深入了解？查阅第3节

✨1 简介

Simple·AI提供开箱即用的AI服务化解决方案 - 不仅仅是训练框架，而是集成了模型开发、Web服务、业务逻辑的完整生产级架构。

💫 特点：

轻量骨架，无限扩展：仅定义清晰的插件接口，不绑定任何技术栈，一切由你决定
端到端集成：PyTorch模型 + Web API + 业务控制器，无需额外配置
模块化设计：清晰的控制器模式，模型、数据、业务逻辑完全解耦
配置驱动：JSON配置管理，轻松切换实验和生产环境
多数据库支持：MySQL、Redis、Faiss统一抽象接口
完整工具链：内置训练器、持久化器、早停策略等生产工具

🎯 适合人群：

AI初学者：想了解从模型训练到API部署的全流程
全栈开发者：需要快速构建AI驱动的Web应用
教育/研究者：寻找完整的项目架构教学示例
创业团队：需要快速原型验证AI想法

✅ 解决问题：

"我训练了模型，但不知道怎么做成服务"
"我的AI代码混乱，难以维护和扩展"
"想学习工业界AI项目架构，但找不到简单示例"
"需要快速验证AI业务想法，不想从零搭建"

📊 框架对比：

特性维度	Simple·AI	PyTorch Lightning	fast.ai	说明
内置Web服务	✅ 专为Web微服务开发	❌ 需额外开发	⚠️ 简单实现	开箱即用API
业务架构	✅ 控制器模式	❌ 专注训练	❌ 过度封装	贴近真实项目
数据库抽象	✅ 多存储支持	❌ 无	❌ 无	生产就绪
配置管理	✅ JSON配置	✅ YAML配置	✅ ini配置	同等优秀
学习曲线	🟡 中等	🔴 较陡	🟢 平缓	平衡学习价值
部署复杂度	🟢 简单	🟡 中等	🟢 简单	单机友好
扩展性	✅ 模块化	✅ 优秀	⚠️ 有限	易于添加新模型
教学价值	✅ 极高	✅ 高	⚠️ 一般	透明架构设计

如果你苦于只会训练模型而不知如何部署，Simple·AI将带你完成从实验到产品的全流程体验！

📦2 下载安装&快速开始

从GitHub克隆本项目

git clone git@github.com:7DaysWithU/SimpleAI.git

安装python依赖

首先安装GPU版本的PyTorch。因GPU版本的PyTorch不能通过pip直接下载，且具体版本依赖于用户的GPU型号与CUDA版本，请自行选择合适的PyTorch版本进行安装。以下命令为torch==2.1.0+cu121的安装命令
```
pip install torch==2.1.0 torchvision==0.16.0 torchaudio==2.1.0 -f https://mirrors.aliyun.com/pytorch-wheels/cu121/
```
然后安装其他依赖：
```
pip install -r requirements.txt -i https://mirrors.aliyun.com/pypi/simple/
```
运行
- 本地运行：运行SimpleAI/test/test.py文件，文件内容即为使用示例
- HTTP微服务运行
  - 运行SimpleAI/src/app.py文件。文件内容即为使用示例的Flask微服务包装
  - 按 先后顺序 发出如下HTTP请求(可选用Postman或Flask.test_client())
    - POST /api/SimpleAI/config HTTP/1.1
    - POST /api/SimpleAI/load HTTP/1.1
    - GET /api/SimpleAI/predict/10.0 HTTP/1.1
两种运行方法均为同一个示例，即在线性数据集 y = 2.5 * x + 1.0 的关系下预测 x=10.0 时 y 的值

🧭3 框架结构&开发指南

🧩3.1 架构总览

SimpleAI/
│
├── config/                    # 配置目录(用户按需修改)
│
├── resource/                  # 资源根目录
│   ├── static/                # 静态资源(原始数据文件等)
│   └── dynamic/               # 运行时产物(保存的模型、预训练权重、索引等)
│
├── src/                       # 源代码目录
│   ├── app.py                 # 微服务入口与路由注册
│   ├── control/               # 控制器层
│   ├── module/                # 模型实现
│   ├── dataset/               # 数据集实现
│   ├── database/              # 可选数据源适配器(含 Redis/MySQL 示例)
│   ├── utils/                 # 通用工具(配置、模型训练、持久化、异步任务队列等)
│   ├── data_process/          # 可选数据源预处理工具(含离散化、词频分析示例)
│   └── common/                # 通用方法/类(装饰器、枚举类、异常类等)
│
└── test/                      # 测试目录

classDiagram
    %% === 控制中枢 ===
    class GeneralDispatch
    class DataController
    
    %% === 核心抽象基类 ===
    class Configurer {
        <<abstract>>
    }
    
    class Database {
        <<abstract>>
    }
    
    class ModelController {
        <<abstract>>
    }
    
    class CustomDataset {
        <<abstract>>
    }
    
    class DatasetController {
        <<abstract>>
    }
    
    %% === 具体实现类示例 ===
    class MySQL
    class Redis
    class LinearModelController
    class LinearDataset
    class LinearRegression
    class LinearDatasetController
    
    %% === 外部依赖 ===
    class nn.Module
    
    %% === 继承关系(垂直排列)===
    Configurer <|-- Database
    Configurer <|-- ModelController
    
    Database <|-- MySQL
    Database <|-- Redis
    
    CustomDataset <|-- LinearDataset
    
    nn.Module <|-- LinearRegression
    
    DatasetController <|-- LinearDatasetController
    
    
    %% === 组合关系(控制流方向)===
    GeneralDispatch *-- DataController
    GeneralDispatch *-- ModelController
    
    DataController *-- DatasetController
    DataController *-- Database
    
    ModelController o-- CustomDataset
    ModelController <|-- LinearModelController
    ModelController *-- nn.Module
    
    %% === 使用关系(具体实现连接)===
    LinearModelController --> LinearDataset
    LinearModelController --> LinearRegression
    LinearDatasetController --> LinearDataset

🎯 核心设计理念

框架遵循“控制器模式”，实现数据管理、模型逻辑、业务服务三层解耦：
- 数据层：通过统一的接口访问不同数据源(文件、MySQL、Redis等)
- 模型层：专注于PyTorch模型本身，无框架侵入
- 服务层：将模型能力封装为标准Web API
📖 类图解读
- 🔧 控制中枢(最上层)
  - GeneralDispatch：服务总控，Flask路由的最终调用入口
  - DataController：数据总控，统一管理所有数据源的访问
  设计意图：将请求调度与数据管理分离，确保服务入口简洁，数据操作规范。
- 📦 抽象基类(中间层)
  - Configurer：配置管理抽象，为所有需要配置的组件提供统一接口
  - Database：数据库抽象，定义数据持久化的标准方法(connect/close)
  - CustomDataset：数据集抽象，遵循PyTorch Dataset规范
  - DatasetController：数据集控制器抽象，封装特定数据集的业务逻辑
  - ModelController：模型控制器抽象，定义模型生命周期的标准操作
  设计意图：通过抽象基类确立框架的扩展规范，确保新增组件遵循一致的设计模式。
- 🛠️ 具体实现(下层)
  - MySQL/Redis：Database的具体实现，展示如何适配不同数据源
  - LinearDataset：CustomDataset的具体实现，示例数据集
  - LinearRegression：PyTorch模型的具体实现
  - LinearDatasetController/LinearModelController：控制器具体实现
  设计意图：提供可运行的示例，用户参照这些实现快速创建自己的组件。
- 🔗 关键关系说明
  - 继承关系(垂直箭头)
    - Configurer ← Database/ModelController：配置能力基础
    - Database ← MySQL/Redis：多数据库支持
    - CustomDataset ← LinearDataset：数据集扩展
    - ModelController ← LinearModelController：模型控制器扩展
    设计意图：强制一致的接口，确保组件可替换、系统可预测。
  - 组合关系(菱形箭头)
    - GeneralDispatch *-- DataController：服务入口聚合数据管理
    - GeneralDispatch *-- ModelController：服务入口聚合模型控制
    - DataController *-- DatasetController/Database：统一数据访问
    - ModelController *-- nn.Module：持有具体模型实例
    设计意图：建立清晰的依赖关系，避免循环依赖，确保模块可独立测试。
  - 使用关系(虚线箭头)
    - LinearModelController --> LinearDataset/LinearRegression：具体实现的使用关系
    设计意图：展示具体业务场景中组件如何协作。

🏗️3.2 核心模块概览&开发指引

🐍3.2.1 src/app.py

Web服务的唯一入口。用户可根据自身需求选择合适的Web框架，并在app.py中编写调用路由。提供的示例使用了Flask

app.py中的调用路由应统一使用GeneralDispatch类的实例，将HTTP调用转交为对应的业务和数据操作

📁3.2.2 src/control/

控制层是框架的调度中枢，负责协调模型、数据与外部请求，所有业务逻辑通过插件式控制器接入，核心流程不依赖具体实现。

🐍 GeneralDispatch.py

服务总控类，作为唯一对外暴露的调用入口。Web层(app.py)只需调用GeneralDispatch类的实例中的方法，即可触发对应业务或数据操作。示例给出了基本方法，用户可按需开发，仅需确保每个HTTP请求都能转化为对GeneralDispatch类实例中方法的组合调用即可

GeneralDispatch类聚合：
- 一个DataController类实例，用于统一管理数据访问
- 多个ModelController子类实例，用于统一执行模型操作(如训练、推理等)
🐍 DataController.py

数据总控类，负责实现各种数据get()与set()的接口，用于在请求生命周期内安全传递中间数据(如数据集、缓存内容等)。不持有全局状态，实例由GeneralDispatch创建

DataController类聚合：
- 多个Database子类实例，用于读写各类外部数据源(如MySQL、MongoDB、Redis、Faiss等)
- 多个DatasetController子类实例，用于获得标准化数据集实例
📁 model_controller/

存放模型控制器(ModelController子类)。每个模型对应一个模型控制类，模型控制类必须继承 ModelController 基类，并实现基类中规定的@abstractmethod方法。

框架遵循依赖倒转原则，支持多模型并存。
📁 dataset_controller/

存放数据集控制器(DatasetController子类)。每个数据集对应一个数据集控制类，数据集控制类必须继承 DatasetController 基类，并实现基类中规定的@abstractmethod方法(即get_dataset()方法)，返回符合CustomDataset基类的数据集实例，供模型控制器按需调用。

数据集控制类的核心是通过get_dataset()方法返回可用的数据集实例，因此数据集控制类内的其他方法用于处理传递给数据集控制类的原始数据，使之符合需求

📁3.2.3 src/database/

存放数据库适配器(Database子类)。每个数据源对应一个数据库适配类，数据库适配类必须继承 Database 基类，并实现基类中规定的@abstractmethod方法

数据库适配类用于提供对应数据源的连接、释放与操作方法。示例提供了MySQL、Redis、Faiss和LocalData的基本实现

📁3.2.4 src/module/

存放自定义模型(nn.Module子类)。每个自定义模型必须继承 nn.Module 基类，并实现基类中规定的@abstractmethod方法(即forward()方法)

自定义模型作为框架的算法底层，负责定义推理的计算逻辑，不包含业务协调或数据加载职责，确保与控制层完全解耦。

📁3.2.5 src/dataset/

存放自定义数据集(CustomDataset 子类)。每个数据集必须继承CustomDataset基类，该基类同时继承ABC与PyTorch的Dataset，要求子类实现__getitem__()方法以支持索引访问，并可选择性重写__len__()；此外，所有子类均可直接使用基类提供的静态方法train_valid_test_split()实现标准化的数据划分。

自定义数据集作为数据输入的底层单元，封装处理后数据的加载与组织逻辑，不涉及业务控制或模型交互，确保与控制器和模型完全解耦。

📁3.2.6 src/utils/

🐍 Trainer.py

提供通用模型训练器 Trainer 类，封装 PyTorch 训练循环、验证评估、早停策略、损失记录与模型保存等生产级功能；用户只需传入模型、优化器和损失函数即可启动训练，支持监督/无监督模式、检查点保存、损失曲线绘制及自定义早停条件，无需重复编写训练样板代码。
🐍 Stopper.py

实现早停(Early Stopping)机制，通过监控验证损失自动终止训练；用户可配置最大容忍轮次(trials)，避免过拟合并节省计算资源
🐍 Loader.py

封装数据集分割与DataLoader构建逻辑，接收CustomDataset实例并按指定比例(train_ratio)和批大小(batch_size)生成训练/测试加载器，简化数据管道搭建
🐍 Configurer.py

提供配置注入基类，要求子类实现configure()方法；框架自动从settings.json加载对应配置项并赋值给已声明的类属性，支持路径自适应与模型状态字典过滤(state_dict filter)
🐍 Persistencer.py

实现运行时内存级单例持久化容器，用于在请求或任务生命周期内安全暂存对象(如模型实例、连接句柄)；通过键值对管理，支持线程安全的增删查操作。
🐍 task.py

提供异步长任务管理功能，通过@TaskManager.long_task装饰器注册耗时的长任务，支持任务提交、状态追踪(PENDING / PROGRESS / SUCCESS / FAILURE)与结果获取，适用于训练、批量推理等后台作业。

📁3.2.7 resource/

📁 dynamic/

存放运行时生成的产物，如训练保存的模型权重、索引文件、缓存数据等；内容由框架或用户逻辑在执行过程中写入，通常不纳入版本控制
📁 static/

存放原始静态资源，如原始数据文件、预置词表等；内容在服务启动前准备就绪，运行期间只读，建议纳入版本管理或与代码一同分发

📁3.2.8 config/

配置目录，存放各类配置文件。框架启动时自动加载，所有继承Configurer的组件将从中提取对应配置子树

🔁3.3 扩展开发原则

SimpleAI采用 "基于约定，而非配置" 的设计哲学。扩展框架功能时，只需遵循明确的约定即可无缝集成

契约优于约定

所有扩展必须继承指定抽象基类(如ModelController、Database)，并实现其@abstractmethod方法。框架只认接口，不认实现(依赖倒转原则)
💡 "三个一"原则：
- 一个新模型： 需要创建一个新的模型类(继承nn.Module)和一个新的模型控制器类(继承ModelController)
- 一个新数据集： 需要创建一个新的数据集类(继承CustomDataset)和一个新的数据集控制器类(继承DatasetController)
- 一个新数据库： 需要创建一个新的数据库客户端类(继承Database)
配置驱动，而非硬编码

任何可变参数(路径、超参、开关)都应通过settings.json注入，继承Configurer即可自动获得对应配置子树
关注点分离
- 模型(module/)只负责计算逻辑
- 数据集(dataset/)只负责数据集组织
- 控制器(control/)只负责协调流程
  禁止跨层直接调用(如模型内访问数据库)

🔍4 以 LinearRegression 为例说明开发流程

📊4.1 包装数据

数据库适配器

数据文件位于resource/static/linear_data.csv，数据源是本地文件，因此在src/database中新建LocalData.py，并在其中新建LocalData类，继承基类Database。对于本地文件系统，connect()和close()方法可选择空置(但必须实现这两个方法)。configure()方法中使用Configurer类的load_configuration()方法读取settings.json中传递的配置字典。由于示例简单，只需实现get_linear_data()读取csv文件内容并返回即可

特别地，文件路径应采用变量self.local_data_file_path，以便未来路径发生变动时可直接通过配置文件setting.json进行修改，符合开闭原则。对该种变量，应同步在settings.json中增加与变量名相同的字段("local_data_file_path")

对于复杂的数据文件，数据源获取数据时可稍作简单处理。如MySQL可使用筛选功能选择符合条件的内容。但数据源处的处理能力较为有限
自定义数据集

在src/dataset中新建LinearDataset.py，并新建LinearDataset类，继承基类CustomDataset，实现要求的方法__getitem__()。由于数据集只有x和y两列，因此第一列作为x，第二列作为y，返回两个torch.Tensor

对于复杂的数据集，可在自定义数据集中实现更复杂的分割方法
数据集控制器

在src/control/dataset_controller中新建LinearDatasetController.py，并新建LinearDatasetController类，继承基类DatasetController，实现要求的方法get_dataset()。由于获得原始数据依赖LocalData类，而LinearDatasetController类应专注于处理数据集，因此将原始数据data作为类属性，实现其setter()和getter()方法，在更高层的抽象中传递

对于复杂的数据集，数据集控制器将承担大量的数据预处理任务，如离散化、统计等。因此在数据集控制类中可实现对应的预处理方法。此外，数据集的生成可能依赖控制参数，则可通过get_dataset()方法根据不同参数进行不同处理，屏蔽底层的处理细节，只暴露返回数据集实例的接口
数据总控

首先在数据总控DataController类的__init__()方法中注册数据库适配器LocalData类和数据集控制器LinearDatasetController类的实例。并实现get_LinearDataset()的总控方法。在该方法中，首先通过LocalData实例获得原始数据，再将原始数据传递给LinearDatasetController实例，最终调用LinearDatasetController实例的get_dataset()方法获得数据集实例

在总控方法get_LinearDataset()中可额外实现多数据源的配置，如设置Redis优化、将数据库数据持久化到本地文件等。此外，对于复杂的数据集，获取数据集时可能需要其他控制参数，也可通过总控方法的扩展将参数传递给数据集控制类

小结

数据流动路径(从原始文件到可用数据集示例)：

resource/static/linear_data.csv
↓
[LocalData]               # 读取原始文件(路径由 settings.json 配置)
↓
原始 DataFrame / 数组
↓
[LinearDatasetController] # 可选预处理(如归一化、分列、参数化构造)
↓
[LinearDataset]           # 封装为 torch.Dataset，支持 __getitem__
↓
DataController.get_LinearDataset()
↓
→ 可被 ModelController 直接用于训练或推理

每层封装增加的能力：

层级	能力增强
数据库适配器(`LocalData`)	统一数据源访问接口，支持配置驱动的路径管理
自定义数据集(`LinearDataset`)	转换为PyTorch兼容格式，支持`DataLoader`加载
数据集控制器(`LinearDatasetController`)	执行数据预处理逻辑，屏蔽复杂性，支持参数化生成
数据总控(`DataController`)	协调多组件协作，提供高层“一键获取”接口

✅ 核心思想：每一层只做一件事，但组合起来形成灵活、可配置、可扩展的数据管道。

📐4.2 开发模型

自定义模型

在src/module中新建LinearRegression.py，并新建LinearRegression类，继承基类nn.Module，实现要求的方法forward()。模型类只需专注模型设计即可，与业务、数据解耦

模型控制器

在src/control/model_controller中新建LinearController.py，并新建LinearController类，继承基类ModelController，实现所有要求的方法：

方法名	核心职责	实现要求
`load_data(dataset)`	加载并预处理原始数据集	将传入的数据集实例转换为训练/测试所需`DataLoader`实例，并以类属性保存
`load_model_into_memory()`	加载已训练好的模型	从磁盘(如 `.pth` 文件)或缓存中加载完整模型到内存，赋值给`self.pretrained_model` `ModelSaveMode.FRAME`：完整保存的模型，可直接用于推理 `ModelSaveMode.STATE`：仅保存了参数的模型，用以增量训练
`train(args, *kwargs)`	完整训练流程	包含数据准备、模型定义、模型训练、验证评估及模型保存，支持通过配置或参数控制行为
`eval()`	模型性能评估	计算指标(如 MSE、Accuracy)、生成可视化函数(如绘图回调)，返回可调用对象供上层使用
`use(**data)`	执行业务推理	接收用户输入数据，调用模型进行预测/生成，返回结果(如标量、向量、JSON 等)

其中，__init__()中的设置参数和模型参数应同步在settings.json中配置，以便通过配置文件修改模型参数

小结

模型能力封装路径(从算法到服务)：

LinearRegression (nn.Module)
↓
[仅定义 forward()：纯计算逻辑]
↓
LinearController (ModelController)
↓
[加载数据 → 初始化/加载模型 → 训练 → 评估 → 推理]
↓
GeneralDispatch     # 供 Web API 调用
↓
Web API 调用 
↓
→ 对外提供完整 AI 服务能力

每层封装增加的能力：

层级	能力增强
自定义模型(`LinearRegression`)	实现核心算法逻辑(如 `y = Wx + b`)，完全解耦于数据、训练、部署
模型控制器(`LinearController`)	统一管理模型生命周期(加载、训练、保存) 支持配置驱动(通过 `settings.json` 注入超参) 提供标准化接口(`train`/`use`/`eval`)供上层调度

✅ 设计本质：
模型只回答“怎么算”，控制器回答“何时算、用什么算、结果给谁”。
框架不关心模型内部，只确保控制器遵守契约。

🔀4.3 集成控制

在总控类GeneralDispatch中，部分核心方法实现如下：

方法名	核心职责	使用场景与说明
`__init__()`	初始化调度器	注册所有模型控制器(如 `LinearController`)和数据总控 `DataController`。默认仅启用示例模型
`__enter__()`	自动连接数据库	在 `with GeneralDispatch() as gd:` 块开始时触发；若距上次连接超时(默认 600 秒)，则重连
`__exit__()`	自动断开数据库	在 `with` 块结束时触发，确保资源释放；支持异常安全退出
`configure(config_path)`	全局加载配置	从 `settings.json` 加载参数，并递归注入到所有控制器(数据 + 模型)；调用后覆盖默认值
`load_model()`	预加载模型至内存	批量调用各控制器的 `load_model_into_memory()`，用于服务启动时预热
`train(incremental)`	批量训练所有模型	获取数据 → 分发给各控制器 → 执行训练；支持全量/增量模式切换
`eval()`	批量评估所有模型	调用各控制器的 `eval()`，收集并执行返回的可视化函数(如绘图)
`use(X)`	执行业务推理	当前仅调用第一个模型(`model1_controller`)进行预测；接收原始输入 `X`，自动转为 Tensor

用户在使用时可根据业务需求，在GeneralDispatch中设置不同的原子任务，务必确保Web层任一HTTP请求均可分解为若干原子任务

🌐4.4 编写路由

src/app.py作为Web服务唯一的入口，需在此编写HTTP请求路由，并配置所需的中间件

编写请求路由

示例使用Flask编写，每个HTTP请求对应一个业务操作，同时在请求内分解为若干总控类提供的方法
中间件配置

由于Flask并不能支持异步，对于训练时间较长的train()调用，会阻塞HTTP请求，因此使用src/utils/task.py中提供的TaskManager类完成异步任务队列。首先使用@task_manager.long_task标记长任务，再使用task_manager.submit()方法即可异步执行，并可根据submit()返回的task_id追踪任务的执行状态

用户可按需添加所需的其他中间件

📜5 许可证&关于作者

许可证LICENSE.txt

作者当前的研究方向为工业化推荐系统，重点关注面向真实场景的高可用、可维护、可扩展的推荐系统软件架构。具体技术兴趣包括：AI 服务的模块化设计、配置驱动的模型调度、以及基于 PyTorch 等框架的深度学习训练与推理流水线优化

Simple·AI 正是这一研究脉络下的实践产物——旨在探索如何通过最小化抽象与显式接口契约，在保持灵活性的同时，降低工业级推荐系统的开发与运维复杂度

欢迎通过 GitHub Issues 或 PR 交流想法

Navigation Menu

Repository files navigation

🌸Simple·AI：极简 AI-Web 开发框架

📌0 目录

✨1 简介

📦2 下载安装&快速开始

🧭3 框架结构&开发指南

🧩3.1 架构总览

🏗️3.2 核心模块概览&开发指引

🐍3.2.1 src/app.py

📁3.2.2 src/control/

📁3.2.3 src/database/

📁3.2.4 src/module/

📁3.2.5 src/dataset/

📁3.2.6 src/utils/

📁3.2.7 resource/

📁3.2.8 config/

🔁3.3 扩展开发原则

🔍4 以 LinearRegression 为例说明开发流程

📊4.1 包装数据

📐4.2 开发模型

🔀4.3 集成控制

🌐4.4 编写路由

📜5 许可证&关于作者

About

Releases

Packages

Contributors

Languages

Name		Name	Last commit message	Last commit date
config		config
resource		resource
src		src
test		test
.gitignore		.gitignore
LICENSE.txt		LICENSE.txt
README.md		README.md
requirements.txt		requirements.txt

Latest commit

History

Folders and files

Repository files navigation

🌸Simple·AI：极简 AI-Web 开发框架

📌0 目录

✨1 简介

📦2 下载安装&快速开始

🧭3 框架结构&开发指南

🧩3.1 架构总览

🏗️3.2 核心模块概览&开发指引

🐍3.2.1 src/app.py

📁3.2.2 src/control/

📁3.2.3 src/database/

📁3.2.4 src/module/

📁3.2.5 src/dataset/

📁3.2.6 src/utils/

📁3.2.7 resource/

📁3.2.8 config/

🔁3.3 扩展开发原则

🔍4 以 LinearRegression 为例说明开发流程

📊4.1 包装数据

📐4.2 开发模型

🔀4.3 集成控制

🌐4.4 编写路由

📜5 许可证&关于作者

About

Topics

Resources

Stars

Watchers

Forks

Releases

Packages

Contributors

Languages