Boring Generators 使用教程
2024-09-16 12:49:25作者:翟萌耘Ralph
1. 项目介绍
Boring Generators 是一个 Ruby on Rails 的 gem,旨在通过命令行工具自动完成常见但繁琐的设置任务。它通过添加便捷的生成器来轻松解决重复的配置工作,让你从基础配置中解脱出来,更专注于项目的核心功能。
Boring Generators 提供了一系列预定义的生成器,例如:
- Rails 集成:支持快速集成 Tailwind CSS、Bootstrap 等前端框架。
- 调试工具:一键安装 Pry 以简化调试过程。
- 测试与审计:集成 Bullet、Audit gem(bundler-audit、ruby_audit)提升代码质量。
- 持续集成:快速配置 CircleCI、GitHub Actions、Travis CI。
- 身份验证与授权:Devise 与 OAuth 服务(Facebook、Google、Twitter)的集成,以及 Pundit 权限管理。
每个生成器都经过精心设计,以确保无缝兼容和最佳实践。
2. 项目快速启动
安装
首先,将 Boring Generators 添加到你的 Gemfile 中:
gem 'boring_generators'
然后执行以下命令安装:
bundle install
或者你可以手动安装:
gem install boring_generators
使用示例
以下是一些常用的生成器使用示例:
安装 Tailwind CSS
rails generate boring:tailwind:install
安装 Bootstrap
rails generate boring:bootstrap:install
安装 Pry 调试工具
rails generate boring:pry:install
安装 CircleCI
rails generate boring:ci:circleci:install --repository_name=<name> --ruby_version=<version>
3. 应用案例和最佳实践
快速原型开发
Boring Generators 可以帮助开发者快速启动新项目,节省大量配置时间。例如,你可以通过以下命令快速集成 Tailwind CSS 和 Bootstrap:
rails generate boring:tailwind:install
rails generate boring:bootstrap:install
现有项目升级或重构
在现有项目中,你可以使用 Boring Generators 快速引入新特性。例如,如果你想在项目中集成 Devise 和 OAuth 服务,可以使用以下命令:
rails generate boring:devise:install
rails generate boring:oauth:facebook:install
rails generate boring:oauth:google:install
团队协作
Boring Generators 可以帮助团队保持代码一致性,减少手动配置的错误。例如,团队成员可以通过以下命令快速配置 CircleCI 和 GitHub Actions:
rails generate boring:ci:circleci:install --repository_name=<name> --ruby_version=<version>
rails generate boring:ci:github_action:install --repository_name=<name> --ruby_version=<version>
4. 典型生态项目
Boring Generators 可以与以下典型生态项目无缝集成:
- Tailwind CSS: 通过
rails generate boring:tailwind:install快速集成。 - Bootstrap: 通过
rails generate boring:bootstrap:install快速集成。 - Pry: 通过
rails generate boring:pry:install快速集成调试工具。 - CircleCI: 通过
rails generate boring:ci:circleci:install快速配置持续集成。 - GitHub Actions: 通过
rails generate boring:ci:github_action:install快速配置持续集成。
通过这些集成,Boring Generators 可以帮助开发者更高效地进行项目开发和维护。
登录后查看全文
热门项目推荐
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
项目优选
收起
deepin linux kernel
C
24
9
OpenHarmony documentation | OpenHarmony开发者文档
Dockerfile
413
3.17 K
本项目是CANN提供的数学类基础计算算子库,实现网络在NPU上加速计算。
C++
685
324
Ascend Extension for PyTorch
Python
227
255
暂无简介
Dart
678
160
React Native鸿蒙化仓库
JavaScript
265
326
🎉 (RuoYi)官方仓库 基于SpringBoot,Spring Security,JWT,Vue3 & Vite、Element Plus 的前后端分离权限管理系统
Vue
1.21 K
660
Nop Platform 2.0是基于可逆计算理论实现的采用面向语言编程范式的新一代低代码开发平台,包含基于全新原理从零开始研发的GraphQL引擎、ORM引擎、工作流引擎、报表引擎、规则引擎、批处理引引擎等完整设计。nop-entropy是它的后端部分,采用java语言实现,可选择集成Spring框架或者Quarkus框架。中小企业可以免费商用
Java
9
1
旨在打造算法先进、性能卓越、高效敏捷、安全可靠的密码套件,通过轻量级、可剪裁的软件技术架构满足各行业不同场景的多样化要求,让密码技术应用更简单,同时探索后量子等先进算法创新实践,构建密码前沿技术底座!
C
1.03 K
492
TorchAir 支持用户基于PyTorch框架和torch_npu插件在昇腾NPU上使用图模式进行推理。
Python
343
146