推荐开源项目:CL-REDIS - 基于Common Lisp的高效Redis客户端库
CL-REDIS 是一个强大且稳定的Common Lisp编程语言实现的Redis客户端。它已经过Redis版本3.0.0(具体为2.9.104)的测试,提供了一套简洁易用的接口,使你在Lisp环境中与Redis服务器进行交互变得轻而易举。
使用方法
- 确保Redis服务正在运行。
- 在Lisp环境中执行
(ql:quickload 'cl-redis)加载库。 - 连接服务器,如
(redis:connect :host <主机> :port <端口>),默认主机是127.0.0.1,端口是6379。 - 使用
red包中的命令与服务器交互,例如(red:ping)返回"PONG"。 - 完成操作后,通过
(redis:disconnect)断开连接。 - 或者,可以使用
with-connection宏来包裹你的代码块,自动管理连接的建立和关闭。
功能特性
CL-REDIS提供了完整的Redis命令集,并在REDIS和RED两个包中封装。REDIS包包含了所有功能,而RED包则提供无前缀的命令名,方便直接调用。
库组织结构
系统分为REDIS和RED两个包。所有的功能都在REDIS包内,但为了避免符号冲突,Redis命令默认带有red-前缀。RED包则提供了没有前缀的命令名,以便在不导入整个REDIS包的情况下使用,避免与COMMON-LISP中的其他符号冲突。
安装
通过Quicklisp轻松安装:
(ql:quickload 'cl-redis)
依赖项包括:usocket,flexi-streams,rutils以及仅用于测试的nuts和bordeaux-threads。
调试与错误恢复
设置*echo-p*为T,所有的客户端-服务器通信将被回显到*echo-stream*上,默认是*standard-output*。错误处理模仿了Postmodern,当通信流中断时,会发出redis-connection-error条件并提供:reconnect重启。如果重连成功,将会重新发送Redis命令。此外,connect会在已存在连接时提供:leave和:replace重启选项。
当服务器响应错误回复时,会发出redis-error-reply条件。
还有with-persistent-connection高阶宏,可以在连接断开时尝试自动重新打开连接。
高级用法
- PubSub:支持发布/订阅模式,可以通过创建线程来监听消息。
- Pipelining:用于提高性能的命令批处理,可显著减少执行时间。
内部工作原理
tell和expect这两个泛型函数实现了Redis协议。def-cmd宏用于定义Redis命令,自动处理名称前缀和导出。
待实现功能
- 目前不支持Unix域套接字,但在未来计划中。
- 暂未实现一致性哈希和连接池。
致谢与许可证
CL-REDIS由Vsevolod Dyomkin开发维护,初期阶段由Alexandr Manzyuk贡献部分代码。本项目遵循MIT许可协议。
CL-REDIS以其强大的功能和灵活的设计,为Common Lisp开发者提供了一个高效的Redis客户端解决方案。无论你是初学者还是经验丰富的开发者,都能从中受益,欢迎加入开源社区,共同探索并利用CL-REDIS实现更多可能性!
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