rbenv-bundler 技术文档
1. 安装指南
1.1 安装 rbenv
在安装 rbenv-bundler 插件之前,您需要先安装 rbenv。请确保您已经按照 rbenv 的文档正确安装并配置了 rbenv,并且您的 Bash 环境已经正确设置。
1.2 安装 rbenv-bundler 插件
您可以通过以下两种方式安装 rbenv-bundler 插件:
方式一:通过 Git 克隆
$ git clone -- https://github.com/carsomyr/rbenv-bundler.git \
~/.rbenv/plugins/bundler
方式二:通过 Homebrew 安装
$ brew install rbenv-bundler
1.3 确保 Bundler 已安装
在安装插件后,请确保系统中有一个 1.8.7 及以上版本的 Ruby,并且已经安装了 Bundler gem。您可以通过以下命令检查:
$ ruby -r bundler -e "puts RUBY_VERSION"
如果输出类似于 2.1.4,则表示 Bundler 已正确安装。
2. 项目的使用说明
2.1 启用插件
rbenv-bundler 插件是选择性启用的。如果您希望启用它,请运行以下命令:
$ rbenv bundler on
如果您想禁用插件,可以运行:
$ rbenv bundler off
2.2 在项目中使用
在 Bundler 控制的项目目录中,您需要执行以下步骤:
-
设置项目使用的 Ruby 版本:
$ rbenv local 2.1.4 -
安装与 Ruby 版本对应的 Bundler gem:
$ gem install bundler -
如果项目已经有
Gemfile,请运行以下命令安装依赖:$ bundle install -
插件会在
bundle install或bundle update后自动执行rbenv rehash,因此您无需手动执行。 -
您可以使用
rbenv which命令查看 Bundler 安装的 gem 可执行文件的位置:$ rbenv which rake输出应类似于
${RBENV_ROOT}/versions/2.1.4/lib/ruby/gems/2.1.0/gems/rake-10.3.2/bin/rake。 -
现在,您可以直接运行
rake命令,而无需输入bundle exec rake:$ rake
3. 项目 API 使用文档
3.1 rbenv bundler on
启用 rbenv-bundler 插件。启用后,插件会自动处理 Bundler 安装的 gem 可执行文件路径。
3.2 rbenv bundler off
禁用 rbenv-bundler 插件。禁用后,插件将不再处理 Bundler 安装的 gem 可执行文件路径。
3.3 rbenv rehash
在安装新的 Ruby 版本或 gem 后,您需要运行 rbenv rehash 来更新 shims。在 rbenv-bundler 插件中,rehash 会在 bundle install 或 bundle update 后自动执行。
3.4 rbenv which <command>
查看指定命令的路径。如果该命令是通过 Bundler 安装的 gem 可执行文件,rbenv which 将返回 Bundler 安装的路径。
4. 项目安装方式
4.1 通过 Git 克隆安装
您可以通过 Git 克隆的方式将 rbenv-bundler 插件安装到 ~/.rbenv/plugins/bundler 目录:
$ git clone -- https://github.com/carsomyr/rbenv-bundler.git \
~/.rbenv/plugins/bundler
4.2 通过 Homebrew 安装
如果您使用的是 macOS 系统,可以通过 Homebrew 安装 rbenv-bundler 插件:
$ brew install rbenv-bundler
4.3 确保 Bundler 已安装
无论通过哪种方式安装插件,都需要确保系统中有一个 1.8.7 及以上版本的 Ruby,并且已经安装了 Bundler gem。您可以通过以下命令检查:
$ ruby -r bundler -e "puts RUBY_VERSION"
如果输出类似于 2.1.4,则表示 Bundler 已正确安装。
通过本文档,您应该能够顺利安装并使用 rbenv-bundler 插件,简化在 Bundler 控制的项目中的 gem 可执行文件管理。
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
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