Oink 项目技术文档
1. 安装指南
首先,将 Oink 添加到您的 Gemfile 中:
gem "oink"
然后执行以下命令来安装依赖项:
bundle install
在大多数 Rails 环境中,这样做就足够了,Oink 将通过 bundler 被自动加载。如果没有,请在您的应用程序中添加一个 require 'oink' 的语句。
2. 项目使用说明
Oink 是一个 Rails 插件和日志分析器,用于帮助缩小 Rails 应用程序中内存使用增加的源。
作为中间件,Oink 在应用程序运行时添加内存和 Active Record 实例化信息到 Rails 日志中,并提供一个可执行文件来帮助分析增强的日志。
配置中间件
推荐使用 initializer 来配置 Oink 中间件:
Rails.application.middleware.use Oink::Middleware
默认情况下,Oink 中间件会将日志条目写入应用程序根目录下的 log/oink.log 文件。您也可以通过传递一个可选的日志实例来初始化它,使 Oink 日志条目写入应用程序的默认日志文件:
Rails.application.middleware.use( Oink::Middleware, :logger => Rails.logger )
您可以配置 Oink 来记录内存和 Active Record 使用情况。使用 :instruments 选项来指定:
-
仅内存使用情况:
Rails.application.middleware.use( Oink::Middleware, :instruments => :memory ) -
仅 Active Record 实例化计数:
Rails.application.middleware.use( Oink::Middleware, :instruments => :activerecord )
请注意,之前配置 Oink 的方式,即将一组模块包含到 Rails 控制器中,已经被弃用。
3. 项目 API 使用文档
使用 Oink 可执行文件分析日志文件。以下是命令行选项:
Usage: oink [options] files
-t, --threshold [INTEGER] 内存阈值为 MB
-f, --file filepath 输出到文件
--format FORMAT 选择格式 (ss,v,s,verbose,short-summary,summary)
-m, --memory 检查内存阈值(默认)
-r, --active-record 检查 Active Record 阈值
Oink 查找超过给定阈值的请求。在 "memory" 模式下(默认),阈值代表从前一个请求开始的内存增加量。在 "active record" 模式下(通过传递 --active-record 开关激活),阈值代表一个请求期间实例化的 Active Record 对象数量。
例如,要查找所有增加堆大小超过 75 MB 的操作,假设日志文件位于 /tmp/logs/:
$ oink --threshold=75 /tmp/logs/*
4. 项目安装方式
请参考上述 "安装指南" 部分。
本文档提供了 Oink 项目的安装、配置和使用方法。如需进一步的帮助,请参考项目 GitHub 仓库和 Wiki。
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 StartedRust0197
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 Notebook0126
MiMo-V2.5-Pro-FP4-DFlashMiMo-V2.5-Pro-FP4-DFlash 是驱动 MiMo-V2.5-Pro-UltraSpeed 的底层模型: FP4 量化骨干网络:对 MoE 专家采用 MXFP4 量化,同时保持模型其他部分的更高精度,在几乎无损质量的前提下,显著减小模型体积并降低内存带宽压力。 BF16 DFlash 草稿生成器:用于块扩散推测解码,每次前向传播可生成一整个块的 tokens,并让骨干网络一步完成验证。 两者协同作用,既降低了每参数的位宽,又减少了骨干网络前向传播的次数,而这两者正是万亿参数模型解码过程中的两大主要成本来源。Python00
JoyAI-EchoJoyAI-Echo,这是一个独立的、仅用于推理的版本,旨在实现分钟级多镜头音视频生成。它采用了经过蒸馏的DMD生成器、配对的跨模态记忆以及故事级别的一致性。其性能的核心在于,一个跨模态视听记忆库能够在长达五分钟的视频中保持角色外观和语音音色的一致性。同时,一个训练后处理流程将基于记忆的强化学习与分布匹配蒸馏相结合,实现了7.5倍的速度提升,显著增强了视觉质量和对齐效果。00
AstrBot✨ 易上手的多平台 LLM 聊天机器人及开发框架 ✨ 平台支持 QQ、QQ频道、Telegram、微信、企微、飞书 | OpenAI、DeepSeek、Gemini、硅基流动、月之暗面、Ollama、OneAPI、Dify 等。附带 WebUI。Python06
handy-ollama动手学Ollama,CPU玩转大模型部署,在线阅读地址:https://datawhalechina.github.io/handy-ollama/Jupyter Notebook07