Roy 项目技术文档
1. 安装指南
Roy 是一个用于将 Ruby 对象转换为 Rack-friendly 并提供 REST-like 接口的小型模块。要安装 Roy,请按照以下步骤操作:
- 确保你已经安装了 Ruby 环境。
- 使用
gem命令安装 Roy:gem install roy
2. 项目的使用说明
Roy 的主要目标是使任何 Ruby 对象能够与 Rack 兼容,并为其提供 REST-like 接口。Roy 通过提供一个 #call 方法来实现这一点,该方法接收 Rack 环境并将其分派到与 HTTP 方法同名的常规方法。
示例
以下是一个简单的示例,展示了如何使用 Roy 创建一个消息队列对象:
class MessageQueue
include Roy
roy allow: [:get, :post, :delete]
def initialize
@stack = []
end
def get(_)
@stack.inspect
end
def post(_)
roy.halt 403 unless roy.params[:item]
@stack << roy.params[:item].strip
get
end
def delete(_)
@stack.shift.inspect
end
end
在这个示例中,MessageQueue 类包含了 Roy 模块,并通过 roy 方法定义了允许的 HTTP 方法(GET、POST、DELETE)。每个方法处理不同的 HTTP 请求,并操作 @stack 数组。
3. 项目API使用文档
配置
Roy 提供了 roy 类方法来定义访问控制和方法前缀。你还可以定义自定义选项。以下是一个配置示例:
class Example
include Roy
roy allow: [:get], prefix: :http_, foo: "bar"
def http_get(path)
"foo is #{roy.conf.foo}"
end
end
在这个示例中,Example 类只允许 GET 请求,并且方法名前缀为 http_。roy.conf.foo 可以访问自定义配置项 foo。
环境
在处理方法内部,你可以访问 roy 属性,它是一个包含以下字段的 OpenStruct:
env: Rack 环境response: 一个Rack::Response对象,将由call方法返回request: 从环境构建的Rack::Request对象headers: 响应头哈希params: 从查询字符串和请求体中提取的参数conf: 通过::roy设置的配置
params 的键可以通过 String 或 Symbol 访问。
控制流
处理方法在 catch 块中运行,该块会捕获 :halt 符号。你可以使用 throw 来中止方法,但必须返回一个由状态码和消息组成的数组。Roy 提供了 roy.halt 方法,该方法接收状态码和一个可选的消息。如果没有提供消息,则使用 Rack::Utils::HTTP_STATUS_CODES 中的默认消息。
插件
Roy 附带了多个插件,每个插件都设计为只做一件事。以下是完整的插件列表:
- after: 在应用调用后修改响应
- before: 在调用应用前修改环境
- render: 与 Tilt 集成
- plugins: 一个简单的插件加载器
4. 项目安装方式
Roy 可以通过 RubyGems 安装,具体步骤如下:
- 打开终端或命令行工具。
- 运行以下命令安装 Roy:
gem install roy
安装完成后,你可以在 Ruby 项目中使用 require 'roy' 来引入 Roy 模块。
atomcodeClaude Code 的开源替代方案。连接任意大模型,编辑代码,运行命令,自动验证 — 全自动执行。用 Rust 构建,极致性能。 | An open-source alternative to Claude Code. Connect any LLM, edit code, run commands, and verify changes — autonomously. Built in Rust for speed. Get StartedRust0172
cann-learning-hubCANN 学习中心仓,支持在线互动运行、边学边练,提供教程、示例与优化方案,一站式助力昇腾开发者快速上手。Jupyter Notebook098
Step-3.7-FlashStep-3.7-Flash是一个拥有 1980 亿参数的稀疏混合专家(MoE)视觉语言模型,由 1960 亿参数的语言主干网络和 18 亿参数的视觉编码器组合而成,具备原生图像理解能力。Python00
BitCPM-CANN-8BBitCPM-CANN 是首个基于华为昇腾 NPU 原生构建的端到端 1.58 位(三值化)大语言模型训练系统。该系统将量化感知训练(QAT)集成到 Megatron-LM 框架中,并结合 MindSpeed 加速,覆盖了从自定义三值算子到基于昇腾 910B 的分布式并行训练的完整训练栈。Python00
MiniCPM5-1BMiniCPM5-1B,这是 MiniCPM5 系列的首款模型。它是一个专为端侧、本地部署和资源受限场景打造的 10 亿参数密集型 Transformer 模型,达到了 10 亿参数级开源模型的 SOTA 水平Jinja00
skillhubopenJiuwen 生态的 Skill 托管与分发开源方案,支持自建与可选 ClawHub 兼容。Python0239