Release Please 使用教程
1. 项目介绍
Release Please 是一个由 Google 开源的项目,旨在自动化生成 CHANGELOG、创建 GitHub 发布版本以及为项目进行版本号更新。它通过解析 Git 历史记录中的 Conventional Commit 消息来实现这些功能。Release Please 不会处理包管理器的发布或复杂的分支管理,而是专注于维护 Release PRs(Pull Requests),这些 PRs 会在合并时自动更新 CHANGELOG 文件、版本号,并创建 GitHub 发布版本。
2. 项目快速启动
2.1 安装 Release Please
首先,确保你已经安装了 Node.js 和 npm。然后,通过 npm 安装 release-please:
npm install release-please --save-dev
2.2 配置 Release Please
在你的项目根目录下创建一个 release-please-config.json 文件,并添加以下内容:
{
"release-type": "node",
"packages": {
"path/to/your/package": {
"release-type": "node"
}
}
}
2.3 创建 GitHub Action
在你的项目中创建一个 .github/workflows/release-please.yml 文件,并添加以下内容:
name: Release Please
on:
push:
branches:
- main
jobs:
release-please:
runs-on: ubuntu-latest
steps:
- uses: google-github-actions/release-please-action@v4
with:
token: ${{ secrets.GITHUB_TOKEN }}
config-file: release-please-config.json
2.4 提交并推送
提交你的更改并推送到 GitHub:
git add .
git commit -m "chore: setup release-please"
git push origin main
3. 应用案例和最佳实践
3.1 自动化版本发布
Release Please 可以帮助你自动化版本发布流程。每次你合并一个带有 Conventional Commit 消息的 PR 时,Release Please 会自动创建一个新的 Release PR,并在合并时更新 CHANGELOG 和版本号。
3.2 多包管理
如果你的项目包含多个包(例如 monorepo),你可以在 release-please-config.json 中为每个包配置不同的发布策略。
{
"release-type": "node",
"packages": {
"path/to/package1": {
"release-type": "node"
},
"path/to/package2": {
"release-type": "python"
}
}
}
3.3 自定义发布流程
你可以通过配置 release-please-config.json 来定制发布流程,例如指定不同的发布类型、路径等。
4. 典型生态项目
4.1 Google Cloud SDK
Google Cloud SDK 使用 Release Please 来自动化其版本发布流程,确保每次更新都能及时发布到 GitHub 并更新相关文档。
4.2 Angular
Angular 项目也采用了 Release Please 来管理其版本发布,确保每次新功能的发布都能自动生成 CHANGELOG 和版本号。
4.3 TensorFlow
TensorFlow 使用 Release Please 来管理其多个子项目的版本发布,确保每个子项目都能独立发布并更新版本号。
通过以上步骤,你可以轻松地将 Release Please 集成到你的项目中,实现自动化版本发布和管理。
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-1.5暂无简介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