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。
atomcodeClaude Code 的开源替代方案。连接任意大模型,编辑代码,运行命令,自动验证 — 全自动执行。用 Rust 构建,极致性能。 | An open-source alternative to Claude Code. Connect any LLM, edit code, run commands, and verify changes — autonomously. Built in Rust for speed. Get StartedRust0197
cann-learning-hubCANN 学习中心仓,支持在线互动运行、边学边练,提供教程、示例与优化方案,一站式助力昇腾开发者快速上手。Jupyter Notebook0125
MiMo-V2.5-Pro-FP4-DFlashMiMo-V2.5-Pro-FP4-DFlash 是驱动 MiMo-V2.5-Pro-UltraSpeed 的底层模型: FP4 量化骨干网络:对 MoE 专家采用 MXFP4 量化,同时保持模型其他部分的更高精度,在几乎无损质量的前提下,显著减小模型体积并降低内存带宽压力。 BF16 DFlash 草稿生成器:用于块扩散推测解码,每次前向传播可生成一整个块的 tokens,并让骨干网络一步完成验证。 两者协同作用,既降低了每参数的位宽,又减少了骨干网络前向传播的次数,而这两者正是万亿参数模型解码过程中的两大主要成本来源。Python00
JoyAI-EchoJoyAI-Echo,这是一个独立的、仅用于推理的版本,旨在实现分钟级多镜头音视频生成。它采用了经过蒸馏的DMD生成器、配对的跨模态记忆以及故事级别的一致性。其性能的核心在于,一个跨模态视听记忆库能够在长达五分钟的视频中保持角色外观和语音音色的一致性。同时,一个训练后处理流程将基于记忆的强化学习与分布匹配蒸馏相结合,实现了7.5倍的速度提升,显著增强了视觉质量和对齐效果。00
AstrBot✨ 易上手的多平台 LLM 聊天机器人及开发框架 ✨ 平台支持 QQ、QQ频道、Telegram、微信、企微、飞书 | OpenAI、DeepSeek、Gemini、硅基流动、月之暗面、Ollama、OneAPI、Dify 等。附带 WebUI。Python05
handy-ollama动手学Ollama,CPU玩转大模型部署,在线阅读地址:https://datawhalechina.github.io/handy-ollama/Jupyter Notebook07