MailCatcher 技术文档
1. 安装指南
1.1 安装 Ruby
在安装 MailCatcher 之前,请确保你已经安装了 Ruby。你可以通过以下命令检查 Ruby 是否已安装:
ruby -v
如果没有安装 Ruby,请参考 Ruby 官方文档 进行安装。
1.2 安装 MailCatcher
使用以下命令安装 MailCatcher:
gem install mailcatcher
1.3 安装依赖工具
在某些系统上,你可能需要安装一些构建工具。例如,在 Debian 或 Ubuntu 上,你可以运行:
apt install build-essential
在 macOS 上,你可以运行:
xcode-select --install
如果你在安装 thin 时遇到问题,可以尝试以下命令:
gem install thin -v 1.5.1 -- --with-cflags="-Wno-error=implicit-function-declaration"
2. 项目的使用说明
2.1 启动 MailCatcher
安装完成后,你可以通过以下命令启动 MailCatcher:
mailcatcher
启动后,MailCatcher 会运行一个简单的 SMTP 服务器,并将捕获的邮件通过 Web 界面展示。你可以通过访问 http://127.0.0.1:1080 来查看捕获的邮件。
2.2 配置应用程序
将你的应用程序的 SMTP 服务器设置为 smtp://127.0.0.1:1025,这样所有发送的邮件都会被 MailCatcher 捕获。
2.3 查看邮件
在浏览器中访问 http://127.0.0.1:1080,你可以看到所有被捕获的邮件。邮件会显示 HTML、纯文本和源代码版本(如果适用)。
3. 项目API使用文档
MailCatcher 提供了一个简单的 RESTful API,允许你通过 URL 访问捕获的邮件。
3.1 获取所有邮件
GET /messages
返回所有捕获的邮件的 JSON 列表。
3.2 获取单个邮件的元数据
GET /messages/:id.json
返回指定邮件的元数据。
3.3 获取邮件的 HTML 版本
GET /messages/:id.html
返回指定邮件的 HTML 版本。
3.4 获取邮件的纯文本版本
GET /messages/:id.plain
返回指定邮件的纯文本版本。
3.5 获取邮件的附件
GET /messages/:id/parts/:cid
返回指定邮件的附件。
3.6 获取邮件的源代码
GET /messages/:id.source
返回指定邮件的源代码。
4. 项目安装方式
4.1 通过 RubyGems 安装
gem install mailcatcher
4.2 通过 Docker 安装
你可以使用 Docker 镜像来运行 MailCatcher:
docker run -p 1080:1080 -p 1025:1025 sj26/mailcatcher
启动后,你可以通过 http://127.0.0.1:1080 访问 MailCatcher 的 Web 界面。
4.3 通过 RVM 安装
如果你使用 RVM,可以通过以下命令在独立的 gemset 中安装 MailCatcher:
rvm default@mailcatcher --create do gem install mailcatcher
ln -s "$(rvm default@mailcatcher do rvm wrapper show mailcatcher)" "$rvm_bin_path/"
5. 其他配置
5.1 Rails 配置
在 Rails 项目中,你可以将以下配置添加到 environments/development.rb 文件中:
config.action_mailer.delivery_method = :smtp
config.action_mailer.smtp_settings = { :address => '127.0.0.1', :port => 1025 }
config.action_mailer.raise_delivery_errors = false
5.2 PHP 配置
在 PHP 项目中,你可以通过修改 php.ini 文件来配置 MailCatcher:
sendmail_path = /usr/bin/env catchmail -f some@from.address
5.3 Django 配置
在 Django 项目中,你可以将以下配置添加到 settings.py 文件中:
if DEBUG:
EMAIL_HOST = '127.0.0.1'
EMAIL_HOST_USER = ''
EMAIL_HOST_PASSWORD = ''
EMAIL_PORT = 1025
EMAIL_USE_TLS = False
通过以上配置,你可以轻松地在不同的开发环境中使用 MailCatcher 来捕获和查看邮件。
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