Klipper-Macros 使用教程
项目介绍
Klipper-Macros 是一个为 Klipper 3D 打印机固件设计的宏集合。这个项目由 jschuh 创建,旨在提供一组一致且有用的宏,以便在多个 3D 打印机之间共享。这些宏不仅改进了基本功能(例如可选的构建表),还增强了 Klipper 与针对 Marlin 打印机的 G-code 的兼容性。此外,还有一些额外的功能,如在特定高度和层变化时调度命令,这些功能类似于切片器已经可以执行的操作,但更加简单,并且可以在打印过程中动态调度。
项目快速启动
安装步骤
-
克隆仓库:
git clone https://github.com/jschuh/klipper-macros.git -
复制宏文件: 将所需的宏文件复制到你的 Klipper 配置目录中。
-
编辑 Klipper 配置文件: 在你的 Klipper 配置文件中包含这些宏文件,并根据需要进行配置。
-
重启 Klipper:
sudo service klipper restart
示例配置
在你的 printer.cfg 文件中添加以下内容:
[include macros/*.cfg]
应用案例和最佳实践
案例一:动态调度命令
假设你需要在打印的特定层暂停打印,以便进行手动干预。你可以使用以下宏:
[gcode_macro PAUSE_AT_LAYER]
gcode:
SET_GCODE_VARIABLE MACRO=PAUSE_AT_LAYER VARIABLE=layer VALUE={layer_num}
M117 Pausing at layer {layer_num}
PAUSE
在切片软件中,设置在特定层执行 PAUSE_AT_LAYER 宏。
案例二:选择性构建表
假设你需要在不同的打印任务中使用不同的构建表。你可以定义多个构建表,并在启动打印时选择:
[gcode_macro SELECT_BUILD_SHEET]
gcode:
SET_GCODE_VARIABLE MACRO=SELECT_BUILD_SHEET VARIABLE=sheet VALUE={params.SHEET}
M117 Using sheet {params.SHEET}
在启动打印时,通过 G-code 命令选择构建表:
SELECT_BUILD_SHEET SHEET=A
典型生态项目
Klipper
Klipper 是一个基于微控制器的 3D 打印机固件,它通过将复杂的计算任务转移到主机电脑上来提高打印性能和可靠性。Klipper-Macros 是 Klipper 生态系统中的一个重要组成部分,提供了丰富的宏功能,增强了打印机的灵活性和可定制性。
Moonraker
Moonraker 是一个为 Klipper 设计的 API 服务器,它允许通过 HTTP 接口与 Klipper 进行交互。通过 Moonraker,你可以更方便地集成 Klipper-Macros 和其他 Klipper 功能到你的 Web 界面或自动化系统中。
Fluidd
Fluidd 是一个基于 Web 的 Klipper 控制界面,它提供了直观的用户界面来管理打印任务、监控打印状态和配置 Klipper。Fluidd 可以很好地与 Klipper-Macros 集成,提供更丰富的打印控制选项。
通过这些生态项目的配合,Klipper-Macros 可以发挥更大的作用,提供更全面的 3D 打印解决方案。
GLM-5智谱 AI 正式发布 GLM-5,旨在应对复杂系统工程和长时域智能体任务。Jinja00
GLM-5-w4a8GLM-5-w4a8基于混合专家架构,专为复杂系统工程与长周期智能体任务设计。支持单/多节点部署,适配Atlas 800T A3,采用w4a8量化技术,结合vLLM推理优化,高效平衡性能与精度,助力智能应用开发Jinja00
请把这个活动推给顶尖程序员😎本次活动专为懂行的顶尖程序员量身打造,聚焦AtomGit首发开源模型的实际应用与深度测评,拒绝大众化浅层体验,邀请具备扎实技术功底、开源经验或模型测评能力的顶尖开发者,深度参与模型体验、性能测评,通过发布技术帖子、提交测评报告、上传实践项目成果等形式,挖掘模型核心价值,共建AtomGit开源模型生态,彰显顶尖程序员的技术洞察力与实践能力。00
Kimi-K2.5Kimi K2.5 是一款开源的原生多模态智能体模型,它在 Kimi-K2-Base 的基础上,通过对约 15 万亿混合视觉和文本 tokens 进行持续预训练构建而成。该模型将视觉与语言理解、高级智能体能力、即时模式与思考模式,以及对话式与智能体范式无缝融合。Python00
MiniMax-M2.5MiniMax-M2.5开源模型,经数十万复杂环境强化训练,在代码生成、工具调用、办公自动化等经济价值任务中表现卓越。SWE-Bench Verified得分80.2%,Multi-SWE-Bench达51.3%,BrowseComp获76.3%。推理速度比M2.1快37%,与Claude Opus 4.6相当,每小时仅需0.3-1美元,成本仅为同类模型1/10-1/20,为智能应用开发提供高效经济选择。【此简介由AI生成】Python00
Qwen3.5Qwen3.5 昇腾 vLLM 部署教程。Qwen3.5 是 Qwen 系列最新的旗舰多模态模型,采用 MoE(混合专家)架构,在保持强大模型能力的同时显著降低了推理成本。00- RRing-2.5-1TRing-2.5-1T:全球首个基于混合线性注意力架构的开源万亿参数思考模型。Python00