NetworkManager-dmenu: 使用dmenu管理NetworkManager的脚本
项目介绍
NetworkManager-dmenu 是一个轻量级的小工具,旨在通过流行的 dmenu 工具来控制和管理Linux系统中的 NetworkManager 连接,替代传统的图形界面管理方式(如 nm-applet)。它支持连接到现有的Wi-Fi或有线网络,新建Wi-Fi连接时请求密码,管理加密连接,以及开启或禁用网络功能。该项目采用MIT许可证发布,适合那些偏好命令行操作的用户。
项目快速启动
安装步骤
首先,确保你的系统已安装 Python 2.7 或 3.2 及以上版本,以及 NetworkManager 和 dmenu。对于Arch Linux用户,可以通过AUR找到预编译包。其他发行版可能需要通过各自的软件包管理器手动安装这些依赖项。
-
克隆仓库:
git clone https://github.com/firecat53/networkmanager-dmenu.git -
配置: 复制配置示例并根据需要编辑。
cp networkmanager-dmenu/config.ini.example ~/.config/networkmanager-dmenu/config.ini如果你的dmenu路径不是默认的,记得在配置文件中设置
dmenu_command. -
放置可执行脚本: 将
nmcli_dmenu脚本复制到系统路径中,比如/usr/local/bin。sudo mv networkmanager-dmenu/nmcli_dmenu /usr/local/bin/ -
权限设置(如果需要以非root用户运行脚本): 设置PolicyKit策略允许非root用户使用。
-
快捷方式 (可选): 可以创建一个桌面快捷方式或者绑定一个键盘快捷键来启动此脚本。
运行示例
启动脚本进行网络管理:
nmcli_dmenu
应用案例和最佳实践
- 日常网络管理: 快速切换不同的Wi-Fi网络或有线连接,特别是在多网络环境下的开发者或IT管理员。
- 自动化脚本整合: 结合其他shell脚本,自动连接特定的网络环境,例如开发服务器或家庭网络。
- 精简界面环境: 在无图形界面的服务器管理中,通过SSH远程使用,提供便捷的网络配置选项。
典型生态项目
虽然这个项目自身就是一个利用现有工具(NetworkManager和dmenu)的典范,但类似的生态系统扩展可能包括定制化的dmenu主题或是与其他系统管理工具(如Rofi、Dzen等)的集成。用户可以根据自己的需求调整配置,例如通过Xresources定制Rofi的外观,或者开发脚本来自动化更复杂的网络配置任务。
请注意,对特定于生态系统的其他项目探索,通常涉及个人的定制化实践和社区的分享,可以在GitHub议题、技术论坛或者Reddit的相关子版块寻找灵感和实现方法。
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
unified-cache-managementUnified Cache Manager(推理记忆数据管理器),是一款以KV Cache为中心的推理加速套件,其融合了多类型缓存加速算法工具,分级管理并持久化推理过程中产生的KV Cache记忆数据,扩大推理上下文窗口,以实现高吞吐、低时延的推理体验,降低每Token推理成本。Python03
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
Spark-Prover-X1-7BSpark-Prover 是由科大讯飞团队开发的专用大型语言模型,专为 Lean4 中的自动定理证明而设计。该模型采用创新的三阶段训练策略,显著增强了形式化推理能力,在同等规模的开源模型中实现了最先进的性能。Python00
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