Excellent 项目技术文档
1. 安装指南
1.1 使用 RubyGems 安装
要安装 Excellent 工具,只需使用 RubyGems 进行安装:
gem install excellent
1.2 配置文件
在项目根目录下创建一个 .excellent.yml 文件,用于配置需要运行的检查和阈值等。默认情况下,所有检查都是启用的,但你也可以通过配置文件禁用某些检查。例如:
AbcMetricMethodCheck: true
AssignmentInConditionalCheck: false
某些检查还可以接受配置,如阈值、模式等。你可以通过在 YAML 文件中定义嵌套的哈希来配置这些选项:
ClassLineCountCheck:
threshold: 500
MethodNameCheck:
pattern: '^[a-z].*'
1.3 忽略路径
你可以在项目根目录下创建一个 .excellentignore 文件,指定需要忽略的目录或文件。例如:
vendor
some/specific/file.rb
2. 项目的使用说明
2.1 基本用法
假设你有一个类定义如下:
class ShoppingBasket < ActiveRecord::Base
def initialize(items = [])
self.items = items
end
end
使用 Excellent 工具可以检测出代码中的问题:
$ excellent shopping_basket.rb
Excellent result:
test.rb
* Line 1: ShoppingBasket does not validate any attributes.
* Line 1: ShoppingBasket defines initialize method.
* Line 1: ShoppingBasket does not specify attr_accessible.
Found 3 warnings.
2.2 分析 Rails 应用中的所有模型
你可以在 Rails 应用的根目录下运行以下命令,分析所有模型:
excellent app/models
2.3 生成 HTML 报告
你可以通过指定 html:<filename> 来生成格式化的 HTML 报告:
excellent -o out.html app/models
2.4 在 Rake 任务中使用
你还可以在 Rake 任务中使用 Excellent:
require 'simplabs/excellent/rake'
Simplabs::Excellent::Rake::ExcellentTask.new(:excellent) do |t|
t.html = 'doc/excellent.html' # 可选,如果不指定 html,输出将写入 $stdout
t.paths = %w(app lib)
end
3. 项目API使用文档
3.1 获取启用的检查列表
你可以通过运行以下命令获取当前启用的检查及其配置:
excellent --checks
3.2 配置文件优先级
你可以在用户主目录下放置一个 .excellent.yml 文件,其中包含你希望始终应用的默认设置。项目特定的配置文件中的设置将覆盖这些默认设置。
4. 项目安装方式
4.1 通过 RubyGems 安装
最简单的安装方式是通过 RubyGems:
gem install excellent
4.2 配置文件
在项目根目录下创建 .excellent.yml 文件,配置需要运行的检查和阈值等。
4.3 忽略路径
在项目根目录下创建 .excellentignore 文件,指定需要忽略的目录或文件。
5. 静态代码分析
静态代码分析工具如 Excellent 无法真正理解代码,它们只是搜索可能指示问题的模式。因此,静态分析通常会返回一定数量的误报。不要试图编写代码以通过 Excellent 检查而不产生任何警告,这可能会使你的代码变得混乱。相反,使用 Excellent 作为帮助工具,尽早发现潜在的问题代码。
6. 作者
Excellent 由 simplabs GmbH 和贡献者开发,基于 MIT 许可证发布。该项目受到 roodi、reek 和 flog 的启发。
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