若依框架二次开发——实现定制化前端动态域名与换肤改造

优质文章学习记录

— 2 min read
若依框架二次开发——实现定制化前端动态域名与换肤改造

文章目录

一、应用场景

你的客户“李总”打来电话：
“你们这个系统好用是好用，但为什么登录页显示的还是‘若依管理系统’？能不能换成我们公司的 Logo？还有，能不能给我们一个专属网址，比如 oa.lisan.com，别让我们用那个长长的 IP 地址！”
这就是 SaaS 交付中的“最后一公里”——前端体验的租户隔离。
今天，我们就来改造 RuoYi-Vue 的前端，实现 动态域名解析、Logo 标题自动切换 以及 千人千面的主题换肤。

二、架构设计

前端怎么知道我是谁？
在传统单体应用中，Logo 和标题通常是写死在 vue.config.js 或者 .env 文件里的。但在 SaaS 模式下，这些必须是动态的。
我们的核心逻辑如下：

  • 用户访问 tenantA.saas.com。
  • Nginx 泛解析，将请求转发给前端。
  • 前端启动（main.js） 拦截，获取当前 URL 的 host。
  • 调用后端接口（无需鉴权），根据域名查询租户配置（Logo、Title、主题色）。
  • 渲染页面，并在

Read more

Llama.cpp 全实战指南：跨平台部署本地大模型的零门槛方案

【个人主页：玄同765】 大语言模型（LLM）开发工程师｜中国传媒大学·数字媒体技术（智能交互与游戏设计） 深耕领域：大语言模型开发 / RAG知识库 / AI Agent落地 / 模型微调 技术栈：Python / LangChain/RAG（Dify+Redis+Milvus）| SQL/NumPy | FastAPI+Docker ️ 工程能力：专注模型工程化部署、知识库构建与优化，擅长全流程解决方案        「让AI交互更智能，让技术落地更高效」 欢迎技术探讨/项目合作！ 关注我，解锁大模型与智能交互的无限可能！ 摘要 本文全面解析轻量级大模型推理框架 Llama.cpp，详细讲解其在 Windows（Winget）、Linux、macOS 三大平台的安装步骤，针对新手优化了模型获取、文件整理、可视化部署的全流程，涵盖命令行交互、OpenAI

AMD显卡终极调优秘籍：llama.cpp高性能配置实战指南

AMD显卡终极调优秘籍：llama.cpp高性能配置实战指南 【免费下载链接】llama.cppPort of Facebook's LLaMA model in C/C++ 项目地址: https://gitcode.com/GitHub_Trending/ll/llama.cpp 在本地设备上部署大语言模型时，AMD显卡往往因为驱动兼容性和配置复杂性而让用户头疼。本文为你带来一套完整的AMD显卡配置方案，让你在llama.cpp项目中获得媲美高端GPU的推理性能。 🎯 配置速成：三分钟完成基础部署 环境准备检查清单 在开始优化之前，请确保你的系统满足以下要求： 组件最低要求推荐配置AMD显卡RX 580 8GBRX 6800 XT系统内存16GB32GB驱动版本22.5.123.11.1+存储空间20GB可用50GB可用 一键部署脚本 创建快速部署脚本 amd_quick_setup.sh：
Ollama 模型 + VS Code：私有化部署 Copilot 使用教程

Ollama 模型 + VS Code：私有化部署 Copilot 使用教程

Ollama 模型 + VS Code：私有化部署 Copilot 使用教程 在vscode中，copilot可以提高我们的工作效率但是github copilot每个月的使用有限制。购买价格较贵，那有没有什么其他的方法可以使用copilot呢？有一个利用ollama私有化部署模型并在vscode中辅助编程的方法。 Ollama 是一款开源、轻量且高效的本地AI模型运行工具，支持一键部署 Llama 3、Qwen2.5、DeepSeek、Mistral 等上百款主流大语言模型，无需复杂配置，普通电脑也能轻松运行本地AI。本教程将详细讲解 Ollama 的全平台安装、AI模型部署，并手把手教你在 VS Code 中集成使用，实现代码辅助、问答交互等功能，全程实操无冗余，新手也能快速上手。 一、教程前置准备 1. 硬件要求（关键） Ollama 对硬件的要求主要取决于部署的模型大小，核心是内存和显卡（无独立显卡也可使用CPU运行轻量模型），推荐配置如下，可根据模型选择灵活调整： * 轻量模型（

【PX4+QGroundControl+MAVROS+Gazebo】PX4控制在Gazebo中控制自己的无人机

目录 前言 一、PX4、MAVROS、QGroundControl之间的关系 1.1 Gazebo与PX4通信 1.2 PX4与QGroundControl通信 1.3 总结 二、实现过程【以阿木实验室P230为例】 2.1 仿真环境 2.2 模型建立 2.3 建立gazebo和MAVROS之间的连接 2.4 建立MAVROS和PX4之间的连接 2.5 验证实验结果 三、一个失败的地方 总结 前言 笔者在准备用阿木实验室-P230无人机仿真的时候，发现官方给的该无人机仿真的代码依赖于该公司的Prometheus、Prometheus-PX4以及QGroundControl软件。但是笔者日后想把自己的项目上传到Github上，如果把整个阿木实验室的PX4上传上去显得不现实，且也占很大存储。因此，笔者会从小白的角度【因为笔者也是Green Bird】，介绍将自己的无人机连接PX4的办法。以下内容仅供参考，若有误，