Rump 项目技术文档
1. 安装指南
Rump 是一个帮助你在本地运行 Puppet 的工具,支持通过 Git 仓库进行快速迭代开发。以下是安装 Rump 的步骤:
安装 Rump
-
确保你的系统已经安装了 Ruby 和 RubyGems。
-
使用以下命令安装 Rump:
$ gem install rump
安装完成后,你可以开始使用 Rump 来管理 Puppet 清单。
2. 项目的使用说明
基本使用流程
-
克隆 Puppet 清单仓库:
首先,使用 Rump 克隆你的 Puppet 清单仓库:
$ rump clone git@github.com:me_at_example_dot_org/puppet.git -
进入目录并运行 Puppet:
进入克隆的目录,并使用 Rump 运行 Puppet:
$ cd puppet $ sudo rump go -
迭代开发:
在开发过程中,你可以通过以下步骤进行迭代:
-
创建新分支:
$ git checkout -b new_feature -
修改清单文件,并使用
--noop选项预览更改:$ sudo rump go --noop -
应用更改:
$ sudo rump go -
迭代直到功能稳定后,合并到主分支并推送:
$ git checkout master $ git merge new_feature $ git push
-
冻结 Puppet
Rump 支持将 Puppet 和 Facter 冻结到你的清单仓库中,以便在不同版本的 Puppet 上进行测试。
-
冻结 Puppet:
使用以下命令冻结 Puppet 和 Facter:
$ rump freeze -
管理 Puppet 版本:
你可以通过编辑
Gemfile来指定要冻结的 Puppet 版本:source :rubygems gem "puppet", "2.6.4"如果你想使用 Git 上的 Puppet 版本,可以这样配置:
source :rubygems gem "puppet", "2.6.7", :git => "git://github.com/puppetlabs/puppet.git", :tag => "2.7.0rc1" gem "facter", "1.5.8", :git => "git://github.com/puppetlabs/facter.git", :tag => "1.5.9rc5"
3. 项目 API 使用文档
Rump 提供了简单的命令行接口,以下是主要命令的说明:
rump clone
克隆 Puppet 清单仓库:
$ rump clone git@github.com:me_at_example_dot_org/puppet.git
rump go
运行 Puppet:
$ sudo rump go
你可以附加 Puppet 命令的选项,例如:
$ sudo rump go --verbose --debug --noop
rump freeze
冻结 Puppet 和 Facter:
$ rump freeze
4. 项目安装方式
Rump 的安装非常简单,只需使用 RubyGems 进行安装:
$ gem install rump
安装完成后,你可以通过命令行使用 Rump 来管理 Puppet 清单。
5. 开发与测试
开发环境设置
-
克隆 Rump 仓库:
$ git clone git@github.com:your_repo/rump.git -
安装开发依赖:
$ bundle install
运行测试
Rump 提供了 Cucumber 测试套件,你可以运行以下命令来执行测试:
$ cucumber features/
如果你不想运行需要网络连接的测试,可以使用以下命令:
$ cucumber --tags ~@online features/
6. 注意事项
-
Puppet 文件服务器:
在 Puppet < 2.6 版本中,文件服务器的行为可能与预期不符,所有文件需要作为模板处理。
-
清单模块化:
清单需要放在模块中,以便 Puppet 正确识别。
7. 许可证
除非另有说明,所有内容版权 © 2014, Rails Machine, LLC
ERNIE-4.5-VL-28B-A3B-ThinkingERNIE-4.5-VL-28B-A3B-Thinking 是 ERNIE-4.5-VL-28B-A3B 架构的重大升级,通过中期大规模视觉-语言推理数据训练,显著提升了模型的表征能力和模态对齐,实现了多模态推理能力的突破性飞跃Python00
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
MiniMax-M2MiniMax-M2是MiniMaxAI开源的高效MoE模型,2300亿总参数中仅激活100亿,却在编码和智能体任务上表现卓越。它支持多文件编辑、终端操作和复杂工具链调用Python00
HunyuanVideo-1.5暂无简介00
MiniCPM-V-4_5MiniCPM-V 4.5 是 MiniCPM-V 系列中最新且功能最强的模型。该模型基于 Qwen3-8B 和 SigLIP2-400M 构建,总参数量为 80 亿。与之前的 MiniCPM-V 和 MiniCPM-o 模型相比,它在性能上有显著提升,并引入了新的实用功能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
GOT-OCR-2.0-hf阶跃星辰StepFun推出的GOT-OCR-2.0-hf是一款强大的多语言OCR开源模型,支持从普通文档到复杂场景的文字识别。它能精准处理表格、图表、数学公式、几何图形甚至乐谱等特殊内容,输出结果可通过第三方工具渲染成多种格式。模型支持1024×1024高分辨率输入,具备多页批量处理、动态分块识别和交互式区域选择等创新功能,用户可通过坐标或颜色指定识别区域。基于Apache 2.0协议开源,提供Hugging Face演示和完整代码,适用于学术研究到工业应用的广泛场景,为OCR领域带来突破性解决方案。00