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。
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-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