Metamagic 项目技术文档
1. 安装指南
首先，确保您的项目环境中安装有 Ruby 1.9 或以上版本以及 Rails 3.0 或以上版本。在您的项目 Gemfile 文件中添加以下依赖：
gem 'metamagic'
然后执行 bundle install 命令以安装 Metamagic gem。
2. 项目的使用说明
Metamagic 是一个用于创建 meta 标签的 Ruby on Rails 插件，支持常规 meta 标签、OpenGraph（Facebook）、Twitter Cards 以及自定义标签。
基本用法
在您的视图文件顶部，如 app/views/posts/show.html.erb：
<%
meta title: "我的标题",
description: "我的描述",
keywords: %w(关键词1 关键词2 关键词3)
%>
然后在布局文件 app/views/layouts/application.html.erb 中：
<head>
<%= metamagic %>
...
</head>
这会生成以下 meta 标签：
<head>
<title>我的标题</title>
<meta content="我的描述" name="description" />
<meta content="关键词1, 关键词2, 关键词3" name="keywords" />
...
</head>
使用模板
模板可用于在布局中插入视图中设置的 meta 值。例如，如果您想在所有页面的标题中添加内容，或为所有页面添加默认关键词，可以使用模板。模板支持所有标签类型，包括 OpenGraph、Twitter 等。
标题模板
在模板中：
<%
meta title: "我的标题"
%>
在布局中：
<%
metamagic site: "我的站点", title: [:title, :site], separator: " — "
%>
这将渲染以下内容：
<head>
<title>我的标题 — 我的站点</title>
...
</head>
默认分隔符是 -。
如果视图中未设置标题，它将只显示站点名称。
关键词模板
关键词模板可用于为站点的所有页面添加默认关键词。
在模板中：
<%
meta keywords: %{一个 两个 三}
%>
在布局中：
<%
metamagic keywords: [:keywords, "四个", "五个", "六个"]
%>
这将生成以下内容：
<head>
<meta content="一个, 两个, 三, 四个, 五个, 六个" name="keywords" />
...
</head>
为其他标签类型添加模板
模板支持所有标签类型。可以通过将视图中的冒号（:）替换为下划线（_）来访问 meta 键的值，例如 og:image 可以通过 og_image 访问。
快捷助手
为了方便设置 meta 标签，您可以使用快捷助手：
<%
title "我的标题"
description "我的描述"
keywords %w(关键词1 关键词2 关键词3)
%>
这会生成以下内容：
<head>
<title>我的标题</title>
<meta content="我的描述" name="description" />
<meta content="关键词1, 关键词2, 关键词3" name="keywords" />
...
</head>
快捷助手返回您发送给它们的值，因此可以通过在 <h1> 标签中设置标题来减少代码冗余：
<h1><%= title "我的标题" %></h1>
这与在视图顶部设置标题相同。
注意： 快捷助手不会覆盖视图中已经存在的方法，例如如果已经有一个名为 title 的方法，它不会被覆盖。
指定默认 meta 标签值
可以在布局中指定默认值，如果视图没有指定自己的值，将显示这些默认值：
<head>
<%= metamagic title: "我的默认标题", description: "我的默认描述。", keywords: %w(关键词1 关键词2 关键词3) %>
...
</head>
3. 项目API使用文档
Metamagic 提供了多种方法来定义 meta 标签，包括自定义标签和属性。
自定义 meta 标签
<%
meta my_custom_name: "我的自定义值"
%>
这将生成以下内容：
<head>
...
<meta content="我的自定义值" name="my_custom_name" />
...
</head>
添加关系链接
<%
meta rel: {
author: "http://test.com/author.html",
publisher: "http://test.com/publisher.html"
}
%>
或者使用 rel 快捷助手：
<%
rel author: "http://test.com/author.html",
publisher: "http://test.com/publisher.html"
%>
自定义属性
OpenGraph（Facebook）
<%
meta og: {
image: "http://mydomain.com/images/my_image.jpg"
}
%>
Twitter Cards
<%
meta twitter: {
card: "summary",
site: "@flickr"
}
%>
其他自定义属性
<%
meta property: {
one: "属性一",
two: "属性二",
nested: {
a: "嵌套A",
b: "嵌套B"
}
}
%>
自定义标签
可以为指定的标签前缀添加自定义渲染：
在 config/initializers/metamagic.rb：
Metamagic::Renderer.register_tag_type :custom, ->(key, value) { tag(:custom_tag, first: key, second: value) }
在视图中：
<%
meta title: "我的标题",
custom: {
key_one: "我的第一个键",
key_two: "我的第二个键"
}
%>
这将渲染以下内容：
<title>我的标题</title>
<custom_tag first="custom:key_one" second="我的第一个键" />
<custom_tag first="custom:key_two" second="我的第二个键" />
当注册一个新的标签类型时，会自动定义一个快捷助手。因此，上面的代码也可以写成：
<%
custom key_one: "我的第一个键",
key_two: "我的第二个键"
%>
4. 项目安装方式
Metamagic 可以通过添加到 Gemfile 并运行 bundle install 来安装。确保您使用的是 Ruby 1.9 或更高版本以及 Rails 3.0 或更高版本。在 Gemfile 中添加以下代码：
gem 'metamagic'
然后执行以下命令：
bundle install
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-1.5HunyuanVideo-1.5作为一款轻量级视频生成模型，仅需83亿参数即可提供顶级画质，大幅降低使用门槛。该模型在消费级显卡上运行流畅，让每位开发者和创作者都能轻松使用。本代码库提供生成创意视频所需的实现方案与工具集。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
项目优选
kernel
pytorch
flutter_flutter
nop-entropy
ohos_react_native
Cangjie-Examples
openGauss-servertorchair
ops-mathcangjie_compiler