TiddlyWiki 技术文档
1. 安装指南
1.1 安装 Node.js
在安装 TiddlyWiki 之前,首先需要安装 Node.js。以下是不同操作系统的安装方法:
-
Linux (Debian/Ubuntu):
apt install nodejs apt install npm -
Linux (Arch Linux):
yay -S tiddlywiki -
Mac:
brew install node -
Android: 使用 Termux 安装。
-
其他操作系统: 请参考 Node.js 官方网站。
1.2 安装 TiddlyWiki
在安装 Node.js 后,打开命令行终端并输入以下命令来安装 TiddlyWiki:
npm install -g tiddlywiki
如果安装失败并提示权限错误,请使用管理员权限重新运行命令:
sudo npm install -g tiddlywiki
1.3 验证安装
安装完成后,可以通过以下命令验证 TiddlyWiki 是否安装成功:
tiddlywiki --version
如果安装成功,命令行将显示 TiddlyWiki 的当前版本号。
2. 项目的使用说明
2.1 创建新 Wiki
要创建一个新的 TiddlyWiki,可以使用以下命令:
tiddlywiki mynewwiki --init server
此命令将创建一个名为 mynewwiki 的文件夹,并在其中包含服务器相关的组件。
2.2 启动 TiddlyWiki
创建新 Wiki 后,可以使用以下命令启动 TiddlyWiki:
tiddlywiki mynewwiki --listen
启动后,打开浏览器并访问 http://127.0.0.1:8080/,即可开始使用 TiddlyWiki。
2.3 编辑和创建 Tiddlers
在浏览器中打开 TiddlyWiki 后,您可以开始编辑和创建 Tiddlers。Tiddlers 是 TiddlyWiki 中的基本内容单元,您可以通过界面进行编辑、保存和组织。
2.4 离线保存
如果您希望将 TiddlyWiki 保存为离线文件,可以点击侧边栏中的“保存更改”按钮,或者使用以下命令:
tiddlywiki mynewwiki --build index
3. 项目API使用文档
TiddlyWiki 提供了丰富的 API,允许开发者进行高度定制和扩展。以下是一些常用的 API 命令:
3.1 初始化 Wiki
tiddlywiki mynewwiki --init server
此命令用于初始化一个新的 Wiki,并包含服务器相关的组件。
3.2 启动服务器
tiddlywiki mynewwiki --listen
此命令用于启动 TiddlyWiki 服务器,并在本地浏览器中访问。
3.3 构建离线版本
tiddlywiki mynewwiki --build index
此命令用于构建 TiddlyWiki 的离线版本,生成一个 HTML 文件。
4. 项目安装方式
TiddlyWiki 可以通过以下两种方式进行安装和使用:
4.1 单文件浏览器版本
TiddlyWiki 可以作为一个单独的 HTML 文件在浏览器中使用。用户只需下载 TiddlyWiki 的 HTML 文件,然后在浏览器中打开即可。
4.2 Node.js 应用版本
TiddlyWiki 也可以作为一个强大的 Node.js 应用使用。用户需要先安装 Node.js,然后通过 npm 安装 TiddlyWiki,并使用命令行工具进行初始化、启动和管理。
通过以上步骤,您可以轻松安装和使用 TiddlyWiki,并利用其强大的功能进行个人笔记管理和知识组织。
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