skribisto 的安装和配置教程
项目的基础介绍和主要的编程语言
Skribisto 是一个面向写作者的项目管理工具,它允许用户组织项目中的项目符号和文件夹。每个项目符号都可以展示一个页面,并且可以是文本、文件夹、白板(待实现)或章节(待实现)等不同类型。Skribisto 的目标是成为一个通用的写作工具,支持用户自定义标签来定义任何项目。它的特点是界面可访问性,支持屏幕阅读器如 Jaws 和 NVDA。
该项目主要使用以下编程语言和技术:
- 编程语言:C++,使用 Qt 框架
- 用户界面:QML 和 Qt Quick
- 数据库:SQLite3
项目使用的关键技术和框架
Skribisto 使用 Qt 框架进行开发,这是一个跨平台的 C++ GUI 应用程序框架。Qt 提供了丰富的类库和工具,用于快速开发具有现代感的 GUI 应用程序。以下是项目中使用的一些关键技术:
- Qt 6.2.2:用于后端开发,提供核心功能。
- QML:用于构建用户界面,提供触摸友好的动态界面。
- Qt Quick:提供用于构建应用程序的用户界面元素。
- SQLite3:用于数据存储,每个项目都是一个 SQLite3 文件。
项目安装和配置的准备工作和详细的安装步骤
准备工作
在开始安装 Skribisto 之前,请确保您的系统满足以下要求:
- 操作系统:Ubuntu 20.04、Fedora 33/34、Windows 10、MacOS Big Sur
- Qt 版本:至少 5.15,推荐 6.2.2
您还需要从 Qt 官方网站下载并安装 Qt Creator。
安装步骤
-
克隆项目仓库
首先,您需要从 GitHub 克隆 Skribisto 的项目仓库。打开终端(Linux 或 MacOS)或命令提示符(Windows),然后执行以下命令:
git clone https://github.com/jacquetc/skribisto.git -
打开项目
使用 Qt Creator 打开项目。找到克隆的项目文件夹中的
cmake/Superbuild/CMakeLists.txt文件,并使用 Qt Creator 打开它。 -
配置项目
在 Qt Creator 中,配置项目以使用至少 Qt 5.15 的版本。在“项目”选项卡中,设置构建目录为
build_skribisto_Release,位于 skribisto 文件夹外部。示例:
- Git 仓库:
/home/cyril/Devel/skribisto - Superbuild 的 CMakeLists.txt:
/home/cyril/Devel/skribisto/cmake/Superbuild/CMakeLists.txt - Superbuild 的构建目录:
/home/cyril/Devel/build_skribisto_Release
- Git 仓库:
-
编译项目
在 Qt Creator 中,编译项目。确保选择正确的构建配置(例如 Release)并开始构建。
-
运行项目
构建完成后,您应该能够运行 Skribisto 并开始使用它来管理您的写作项目。
请注意,上述步骤是基于项目的官方文档和推荐的安装方法。如果您在安装过程中遇到任何问题,可以参考项目的 README 文件或联系项目维护者以获取帮助。
kernelopenEuler内核是openEuler操作系统的核心,既是系统性能与稳定性的基石,也是连接处理器、设备与服务的桥梁。C092
baihu-dataset异构数据集“白虎”正式开源——首批开放10w+条真实机器人动作数据,构建具身智能标准化训练基座。00
mindquantumMindQuantum is a general software library supporting the development of applications for quantum computation.Python058
PaddleOCR-VLPaddleOCR-VL 是一款顶尖且资源高效的文档解析专用模型。其核心组件为 PaddleOCR-VL-0.9B,这是一款精简却功能强大的视觉语言模型(VLM)。该模型融合了 NaViT 风格的动态分辨率视觉编码器与 ERNIE-4.5-0.3B 语言模型,可实现精准的元素识别。Python00
GLM-4.7GLM-4.7上线并开源。新版本面向Coding场景强化了编码能力、长程任务规划与工具协同,并在多项主流公开基准测试中取得开源模型中的领先表现。 目前,GLM-4.7已通过BigModel.cn提供API,并在z.ai全栈开发模式中上线Skills模块,支持多模态任务的统一规划与协作。Jinja00
AgentCPM-Explore没有万亿参数的算力堆砌,没有百万级数据的暴力灌入,清华大学自然语言处理实验室、中国人民大学、面壁智能与 OpenBMB 开源社区联合研发的 AgentCPM-Explore 智能体模型基于仅 4B 参数的模型,在深度探索类任务上取得同尺寸模型 SOTA、越级赶上甚至超越 8B 级 SOTA 模型、比肩部分 30B 级以上和闭源大模型的效果,真正让大模型的长程任务处理能力有望部署于端侧。Jinja00