Rubydeps 项目技术文档
1. 安装指南
1.1 安装 Rubydeps
要安装 Rubydeps,您可以使用以下命令:
gem install rubydeps
1.2 支持的 Ruby 版本
Rubydeps 目前仅支持 Ruby 1.9.2 及以上版本。如果您需要支持 Ruby 1.8.x 版本,请安装 0.2.0 版本:
gem install rubydeps -v0.2.0
1.3 依赖项
Rubydeps 依赖以下软件包:
- graphviz
- ruby-graphviz gem
- rcov gem(仅适用于 0.2.0 版本)
2. 项目的使用说明
2.1 基本使用
Rubydeps 是一个用于从测试套件中创建类依赖关系图的工具。它通过运行测试套件来记录项目的调用图,并使用这些信息生成 Graphviz 的 dot 图。
2.2 使用步骤
-
添加 Rubydeps 到 Gemfile:
在您的
Gemfile中添加以下内容,并运行bundle install:gem 'rubydeps', :group => :test -
启动 Rubydeps:
在您的
test/test_helper.rb(或spec_helper.rb、cucumber 的env.rb等)中插入以下代码:Rubydeps.start请注意,这会减慢您的测试速度,因此建议在完成测试后删除该行,或使用环境变量进行条件控制。
-
运行测试:
运行您的测试套件,将在项目根目录下生成一个名为
rubydeps.dump的文件。 -
生成 Graphviz dot 图:
使用生成的
rubydeps.dump文件生成 Graphviz dot 图rubydeps.dot,并指定过滤器:rubydeps --path_filter='app/models' -
转换为图像格式:
使用 Graphviz 的
dot工具将rubydeps.dot文件转换为所需的图像格式,例如:dot -Tsvg rubydeps.dot > rubydeps.svg请注意,有时可能会缺少依赖项,因为图表仅显示通过测试执行的依赖项,因此可以用作项目测试覆盖率的快速概览。
3. 项目 API 使用文档
3.1 命令行选项
-
--path_filter:指定一个正则表达式,匹配您感兴趣分析的文件路径。例如,您可以使用
'project_name/app|project_name/lib'来分析仅位于app和lib目录中的代码,或者使用负正则表达式'project_name(?!.*test)'排除某些目录。 -
--class_name_filter:类似于
--path_filter,但正则表达式匹配类名(即图节点名称)。 -
--from_file:指定测试(或块)运行后生成的 dump 文件,以便在不重新运行测试的情况下尝试不同的过滤器。例如:
rubydeps --from_file='rubydeps.dump' --path_filter='app/models' rubydeps --from_file='rubydeps.dump' --path_filter='app/models|app/controllers'如果未重命名文件,可以跳过此选项,因为它将使用默认的
rubydeps.dump。
3.2 库使用
只需在代码中引入 rubydeps,并将要分析的代码块传递给 analyze 方法:
require 'rubydeps'
Rubydeps.analyze(:path_filter => path_filter_regexp, :class_name_filter => class_name_filter_regexp, :to_file => "rubydeps.dump") do
# 您的代码在这里
end
4. 项目安装方式
4.1 通过 Gem 安装
gem install rubydeps
4.2 通过 Gemfile 安装
在 Gemfile 中添加以下内容:
gem 'rubydeps', :group => :test
然后运行 bundle install。
4.3 支持旧版本 Ruby
如果您需要支持 Ruby 1.8.x 版本,请安装 0.2.0 版本:
gem install rubydeps -v0.2.0
请注意,在 0.2.0 版本中,应使用 dot_for 而不是 analyze,并且缺少 dump 功能。
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-1.5HunyuanVideo-1.5作为一款轻量级视频生成模型,仅需83亿参数即可提供顶级画质,大幅降低使用门槛。该模型在消费级显卡上运行流畅,让每位开发者和创作者都能轻松使用。本代码库提供生成创意视频所需的实现方案与工具集。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