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。
kernelopenEuler内核是openEuler操作系统的核心,既是系统性能与稳定性的基石,也是连接处理器、设备与服务的桥梁。C083
baihu-dataset异构数据集“白虎”正式开源——首批开放10w+条真实机器人动作数据,构建具身智能标准化训练基座。00
mindquantumMindQuantum is a general software library supporting the development of applications for quantum computation.Python056
PaddleOCR-VLPaddleOCR-VL 是一款顶尖且资源高效的文档解析专用模型。其核心组件为 PaddleOCR-VL-0.9B,这是一款精简却功能强大的视觉语言模型(VLM)。该模型融合了 NaViT 风格的动态分辨率视觉编码器与 ERNIE-4.5-0.3B 语言模型,可实现精准的元素识别。Python00
GLM-4.7GLM-4.7上线并开源。新版本面向Coding场景强化了编码能力、长程任务规划与工具协同,并在多项主流公开基准测试中取得开源模型中的领先表现。 目前,GLM-4.7已通过BigModel.cn提供API,并在z.ai全栈开发模式中上线Skills模块,支持多模态任务的统一规划与协作。Jinja00
agent-studioopenJiuwen agent-studio提供零码、低码可视化开发和工作流编排,模型、知识库、插件等各资源管理能力TSX0135
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