Mantis Source Integration 使用与安装指南
1. 安装指南
兼容性
Source Integration 插件遵循 语义版本控制。主版本的递增表示所需的最小 MantisBT 版本的改变。
根据您使用的 MantisBT 版本,请确保获取适当的源代码版本。使用 发布标签 或插件 GitHub 仓库的相关分支。
安装步骤
-
将主 Source 插件(
Source/目录)复制到您的 Mantis 安装目录下的plugins/目录中。 -
将所有剩余的插件,或仅适用于您的仓库的插件,复制到您的 Mantis 安装目录下的
plugins/目录中。 -
以管理员身份登录到您的 Mantis 安装,然后导航到 '管理' -> "管理插件"。
-
在 "可用插件" 列表中,您将找到 "Source Control Integration" 和其他插件:
a. 首先,点击 "Source Control Integration" 插件旁边的 "安装" 链接。
b. 接着,点击任何其他适用于您仓库的 Source Control 插件旁边的 "安装" 链接。
-
点击 "Source Control Integration" 插件进行配置。
注意:为了通过 shell 导入更改集,必须设置一个 API 密钥。要生成一个随机密钥,运行
```bash openssl rand -hex 12 ``` -
转到 "仓库" 并输入您的仓库名称,选择仓库类型,然后点击 "创建仓库" 开始添加您的第一个仓库。
-
根据 relevant 插件扩展的特定文档配置仓库:
-
配置完成后,点击 "返回仓库" 链接,然后点击 "导入全部" 或 "导入最新数据" 按钮以执行仓库更改集的初始导入并验证配置。
-
确定您的仓库配置正确无误且运行正常后,您可以通过在托管您的 Mantis 安装的 Web 服务器上配置一个 cron 作业来自动导入新的更改集:
-
使用 curl 导入(对于大型仓库可能会遇到超时,或者阻塞您的 Web 服务器)
curl "http://host.domain.tld/mantisbt/plugin.php?page=Source/import&id=all&api_key=<YOUR_API_KEY>" -
使用 shell 导入
php-cgi -f plugin.php page=Source/import id=all api_key=<YOUR_API_KEY>请注意
php-cgi和php-cli之间的 区别。使用php-cli将不会运行导入。
这将为所有配置的仓库导入新的更改集。
-
-
您还可以配置基于事件的导入方式,许多源控制系统支持可配置的钩子或触发器,可以用来通知 Source 插件有新的提交或修订可用于导入。这样可以提高用户体验,消除了源代码提交与 MantisBT 状态更新之间的延迟。
请参阅 relevant 插件扩展的配置文档了解更多信息。
-
按需要添加其他仓库。
2. 项目使用说明
请参考以上安装指南来配置和使用 Mantis Source Integration 插件。确保按照相关文档正确配置每个仓库,以便插件能够正常工作。
3. 项目API使用文档
目前没有公开详细的 API 文档,但插件的 API 基于类的结构,允许访问数据库中的对象。
4. 项目安装方式
请按照上述安装指南中详细描述的步骤进行安装。确保遵循兼容性指导,并正确配置您的 MantisBT 版本和所需插件。
Kimi-K2.5Kimi K2.5 是一款开源的原生多模态智能体模型,它在 Kimi-K2-Base 的基础上,通过对约 15 万亿混合视觉和文本 tokens 进行持续预训练构建而成。该模型将视觉与语言理解、高级智能体能力、即时模式与思考模式,以及对话式与智能体范式无缝融合。Python00
GLM-4.7-FlashGLM-4.7-Flash 是一款 30B-A3B MoE 模型。作为 30B 级别中的佼佼者,GLM-4.7-Flash 为追求性能与效率平衡的轻量化部署提供了全新选择。Jinja00
VLOOKVLOOK™ 是优雅好用的 Typora/Markdown 主题包和增强插件。 VLOOK™ is an elegant and practical THEME PACKAGE × ENHANCEMENT PLUGIN for Typora/Markdown.Less00
PaddleOCR-VL-1.5PaddleOCR-VL-1.5 是 PaddleOCR-VL 的新一代进阶模型,在 OmniDocBench v1.5 上实现了 94.5% 的全新 state-of-the-art 准确率。 为了严格评估模型在真实物理畸变下的鲁棒性——包括扫描伪影、倾斜、扭曲、屏幕拍摄和光照变化——我们提出了 Real5-OmniDocBench 基准测试集。实验结果表明,该增强模型在新构建的基准测试集上达到了 SOTA 性能。此外,我们通过整合印章识别和文本检测识别(text spotting)任务扩展了模型的能力,同时保持 0.9B 的超紧凑 VLM 规模,具备高效率特性。Python00
KuiklyUI基于KMP技术的高性能、全平台开发框架,具备统一代码库、极致易用性和动态灵活性。 Provide a high-performance, full-platform development framework with unified codebase, ultimate ease of use, and dynamic flexibility. 注意:本仓库为Github仓库镜像,PR或Issue请移步至Github发起,感谢支持!Kotlin07
compass-metrics-modelMetrics model project for the OSS CompassPython00