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。
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-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