Vertex PT管理工具:从零开始手把手搭建追剧刷流一体化平台
Vertex是一款专为PT玩家打造的追剧刷流一体化综合管理工具,能够帮助用户高效管理种子资源、自动刷流和追剧任务。本指南将带你从零开始完成整个安装配置过程,让你的PT管理变得更加轻松便捷。🎯
📋 环境准备与前置检查
在开始安装之前,请确保你的系统满足以下要求:
系统要求:
- 支持的操作系统:Linux、Windows、macOS
- 内存:至少2GB可用内存
- 存储空间:至少1GB可用空间
软件依赖:
- Node.js 14.0 或更高版本
- npm 6.0 或更高版本
- Git版本控制工具
🚀 快速安装步骤详解
第一步:获取项目源代码
首先需要从代码仓库获取Vertex项目的最新版本:
git clone https://gitcode.com/gh_mirrors/ve/vertex
cd vertex
第二步:安装后端依赖
进入项目目录后,安装Node.js后端依赖包:
npm install
这个命令会根据package.json文件自动下载所有必要的依赖包,包括express框架、数据库连接组件等。
第三步:配置前端环境
Vertex采用前后端分离架构,前端部分位于webui目录中:
cd webui
npm install
第四步:启动应用服务
后端服务启动:
# 在项目根目录执行
npm run app
前端服务启动:
# 在webui目录执行
npm run serve
⚙️ 核心配置详解
数据库配置
Vertex使用SQLite作为默认数据库,配置文件位于app/config/setting.json。首次运行时会自动创建数据库结构。
站点配置管理
在app/libs/site/目录下,你可以找到各种PT站点的专用配置文件,包括M-Team、HDChina、HDSky等主流PT站点的适配设置。
🎯 功能模块快速上手
追剧管理模块
Vertex的追剧功能能够自动识别你关注的剧集,并在相关PT站点发布新种子时及时通知你。
刷流自动化
通过配置刷流规则,Vertex可以自动下载符合条件的热门种子,帮助你快速提升分享率和站点等级。
RSS订阅管理
在app/controller/Rss.js中实现了强大的RSS订阅功能,支持自定义过滤规则和自动下载。
🔧 常见问题排查
端口占用问题
如果默认端口3000已被占用,可以通过环境变量修改服务端口:
export PORT=4000
npm run app
依赖安装失败
如果遇到依赖安装失败的情况,可以尝试清理缓存后重新安装:
npm cache clean --force
npm install
📊 使用技巧与最佳实践
高效刷流策略:
- 配置多个PT站点同时刷流
- 设置合理的下载速度和连接数限制
- 定期检查刷流效果并调整策略
追剧配置建议:
- 根据个人喜好设置剧集关键词
- 配置通知方式,及时获取更新信息
🎉 开始使用Vertex
完成以上所有步骤后,打开浏览器访问 http://localhost:8080 即可进入Vertex的管理界面。首次使用建议先完成基础配置,然后逐步添加PT站点账号和刷流规则。
Vertex的强大功能将彻底改变你的PT使用体验,让追剧和刷流变得更加智能和高效!✨
GLM-5.1GLM-5.1是智谱迄今最智能的旗舰模型,也是目前全球最强的开源模型。GLM-5.1大大提高了代码能力,在完成长程任务方面提升尤为显著。和此前分钟级交互的模型不同,它能够在一次任务中独立、持续工作超过8小时,期间自主规划、执行、自我进化,最终交付完整的工程级成果。Jinja00
MiniMax-M2.7MiniMax-M2.7 是我们首个深度参与自身进化过程的模型。M2.7 具备构建复杂智能体应用框架的能力,能够借助智能体团队、复杂技能以及动态工具搜索,完成高度精细的生产力任务。Python00- QQwen3.5-397B-A17BQwen3.5 实现了重大飞跃,整合了多模态学习、架构效率、强化学习规模以及全球可访问性等方面的突破性进展,旨在为开发者和企业赋予前所未有的能力与效率。Jinja00
HY-Embodied-0.5这是一套专为现实世界具身智能打造的基础模型。该系列模型采用创新的混合Transformer(Mixture-of-Transformers, MoT) 架构,通过潜在令牌实现模态特异性计算,显著提升了细粒度感知能力。Jinja00
LongCat-AudioDiT-1BLongCat-AudioDiT 是一款基于扩散模型的文本转语音(TTS)模型,代表了当前该领域的最高水平(SOTA),它直接在波形潜空间中进行操作。00
ERNIE-ImageERNIE-Image 是由百度 ERNIE-Image 团队开发的开源文本到图像生成模型。它基于单流扩散 Transformer(DiT)构建,并配备了轻量级的提示增强器,可将用户的简短输入扩展为更丰富的结构化描述。凭借仅 80 亿的 DiT 参数,它在开源文本到图像模型中达到了最先进的性能。该模型的设计不仅追求强大的视觉质量,还注重实际生成场景中的可控性,在这些场景中,准确的内容呈现与美观同等重要。特别是,ERNIE-Image 在复杂指令遵循、文本渲染和结构化图像生成方面表现出色,使其非常适合商业海报、漫画、多格布局以及其他需要兼具视觉质量和精确控制的内容创作任务。它还支持广泛的视觉风格,包括写实摄影、设计导向图像以及更多风格化的美学输出。Jinja00
