探索Literate Markdown Tangle：代码与文档的新融合
Literate Markdown Tangle（LMT） 是一个创新的工具，它将Markdown与编程风格相结合，使程序员能够在文档中以清晰易读的方式编写代码。这种** literate programming** 的理念让开发者可以在保持代码可读性的同时，增强文档的完整性。
安装LMT
LMT是一个基于Go语言开发的自包含程序，源码和这个README文件一起存储在GitHub仓库中，用于自我构建。首先确保你的环境中已经安装了Go语言，然后执行以下命令：
git clone https://github.com/driusan/lmt
cd lmt
go build
这将在当前目录下创建名为lmt的二进制文件，你可以通过-o $path参数来指定不同的输出位置。
对于Nix(OS)用户，项目还提供了一个shell.nix文件，可以用来编译项目。
功能演示
为了体验LMT的工作原理，请将此README文件复制到一个空目录，并运行lmt README.md。你会看到从Markdown文件中的代码块中提取出来的文件出现在当前目录。这种过程在literate编程中被称为“tangling”。
LMT是语言无关的，下面的示例使用非常基础的C++来展示其他语言的应用。
文件定向与追加
比如这段带有cpp hello.cpp +=前缀的代码块：
<<<copyright>>>
<<<includes>>>
int main() {
<<<body of main>>>
}
cpp表示该代码块为C++，在Markdown渲染时会有相应的语法高亮，在LMT中则会添加语言特定的预处理指令。hello.cpp指定了代码块将会被写入到hello.cpp文件中。+=表示如果文件已存在，则追加内容到文件末尾，如果不存在则新建。
宏引用
像<<<...>>>这样的序列称为“宏参考”。LMT的“宏”是一个可以从代码块中提取并插入到其他地方的变量。如上例中的<<<body of main>>>，未定义时会有警告，但定义后会被替换。
宏内容
以下代码块定义了body of main的值：
std::cout << "Hello, werld!" << std::endl;
双引号表示这是一个宏，而没有+=意味着会覆盖之前的定义。
追加到宏
使用+=，我们可以向宏添加新的内容，例如在includes宏后面添加更多头文件：
#include <numeric>
隐藏内容
隐藏内容如注释中的版权信息不会显示在最终文档中，但仍会被提取出来：
// Copyright 2020 Me, myself, and I
可选的Tangle与不可选的
LMT允许你对任意语言字符串和文件名进行编码，以实现不同需求。不指定语言或目标，代码块就不会被打包到任何地方。
应用场景
LMT特别适用于：
- 文档驱动的开发，它可以轻松地将代码解释与实现结合在一起。
- 教程编写，读者可以直接查看和理解代码细节。
- 开源项目，提供清晰的、有注解的代码以提高代码透明度。
- 快速原型设计，代码与说明文档可以同时修改，减少切换成本。
项目特点
- 语言无关：LMT支持所有语言的代码块，只需指定语言名称。
- 扩展性：通过宏引用，可以在多个代码块之间传递和组合代码。
- 隐藏内容：在不影响文档展示的情况下，隐藏需要tangle的内容。
- 灵活的代码组织：追加内容、定义新宏等操作，让代码结构更自由。
LMT不仅是一个工具，更是一种编程哲学。它将代码和文档紧密集成，让开发变得更直观，更易于理解和维护。立即尝试LMT，提升您的代码写作体验吧！
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
项目优选
kernel
flutter_flutter
pytorch
nop-entropy
ops-math
leetcode
Cangjie-Examples
ohos_react_native
RuoYi-Vue3cangjie_runtime