Stasis 静态站点动态框架技术文档
1. 安装指南
Stasis 是一个用于生成静态站点的动态框架,支持多种模板引擎。以下是安装 Stasis 的步骤:
通过 RubyGems 安装
Stasis 可以通过 RubyGems 进行安装。确保你已经安装了 Ruby 和 RubyGems,然后在终端中运行以下命令:
$ gem install stasis
安装完成后,你就可以在项目中使用 Stasis 了。
2. 项目的使用说明
基本使用
Stasis 的核心功能是将一个包含模板文件的目录树渲染为静态文件。假设你有一个如下的项目目录结构:
project/
index.html.haml
images/
image.png
在项目根目录下运行 stasis 命令:
$ cd project
$ stasis
Stasis 会生成一个 public 目录,并将模板文件渲染为静态文件:
project/
index.html.haml
images/
image.png
public/
index.html
images/
image.png
开发模式
在开发过程中,你可以使用 -d 参数启动开发模式,Stasis 会在文件保存时自动重新生成静态文件:
$ stasis -d
你还可以指定一个端口启动 HTTP 服务器:
$ stasis -d 3000
指定输出文件或目录
你可以通过 -o 参数指定只渲染特定的文件或目录:
$ stasis -o index.html.haml,subdirectory
更改输出目录
通过 -p 参数可以更改生成的静态文件的输出目录:
$ stasis -p ../public
3. 项目 API 使用文档
控制器
控制器包含在模板渲染之前执行的 Ruby 代码。你可以在任何目录层级中添加控制器文件 controller.rb。
before 块
在 controller.rb 中使用 before 块可以在模板渲染之前执行代码:
before 'index.html.haml' do
@something = true
end
@something 变量现在可以在 index.html.haml 模板中使用。
layout 方法
你可以通过 layout 方法设置默认布局或为特定模板设置布局:
layout 'layout.html.haml'
或者为特定模板设置布局:
layout 'index.html.haml' => 'layout.html.haml'
render 方法
在模板中使用 render 方法可以渲染局部模板:
%html
%body= render '_partial.html.haml'
在 before 块中也可以使用 render 方法:
before 'index.html.haml' do
@partial = render '_partial.html.haml'
end
instead 方法
instead 方法可以改变模板的输出:
before 'index.html.haml' do
instead render('subdirectory/index.html.haml')
end
helpers 方法
通过 helpers 方法可以定义辅助方法,这些方法可以在所有 before 块和模板中使用:
helpers do
def say_hello
'Hello'
end
end
ignore 方法
使用 ignore 方法可以忽略某些路径:
ignore /\/_.*/
priority 方法
通过 priority 方法可以改变文件的处理顺序:
priority /.*txt/ => 2, 'index.html.erb' => 1
4. 项目安装方式
Ruby 库方式
除了命令行工具,Stasis 还可以作为 Ruby 库使用。你可以通过以下方式实例化 Stasis 对象:
stasis = Stasis.new('/path/to/project/root')
你可以指定输出目录:
stasis = Stasis.new('/project', '/html')
渲染所有模板:
stasis.render
渲染特定模板或目录:
stasis.render('index.html.haml', 'subdirectory')
支持的模板引擎
Stasis 使用 Tilt 支持多种模板引擎,包括但不限于:
- ERB
- Haml
- Sass
- Less CSS
- Markdown
- CoffeeScript
完整的支持列表可以在项目的 README 文件中找到。
总结
Stasis 是一个功能强大的静态站点生成框架,支持多种模板引擎和灵活的控制器机制。通过本文档,你可以快速上手 Stasis,并利用其丰富的功能来构建高效的静态站点。
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