FriendlyId 技术文档
1. 安装指南
1.1 添加 Gem 到 Gemfile
首先,在你的 Rails 应用的 Gemfile 中添加以下代码:
gem 'friendly_id', '~> 5.5.0'
注意:对于 Rails 4.0 及以上版本,你必须使用 5.0.0 或更高版本的 FriendlyId。
1.2 安装 Gem
在终端中运行以下命令来安装 Gem:
bundle install
1.3 添加 slug 列
接下来,你需要为相应的表添加一个 slug 列。例如,如果你希望在 Users 表中使用 FriendlyId,可以运行以下命令:
rails g migration AddSlugToUsers slug:uniq
1.4 生成配置文件和迁移
运行以下命令生成 FriendlyId 的配置文件和一个新的迁移:
rails generate friendly_id
注意:如果你不打算使用 slug 历史功能,可以删除生成的 CreateFriendlyIdSlugs 迁移文件。
1.5 运行迁移
最后,运行数据库迁移:
rails db:migrate
2. 项目的使用说明
2.1 配置模型
在 app/models/user.rb 文件中,添加以下代码以启用 FriendlyId:
class User < ApplicationRecord
extend FriendlyId
friendly_id :name, use: :slugged
end
2.2 修改控制器
在 app/controllers/users_controller.rb 文件中,将 User.find 替换为 User.friendly.find:
class UserController < ApplicationController
def show
@user = User.friendly.find(params[:id])
end
end
2.3 创建用户并访问
现在,你可以创建一个新用户,并使用友好的 URL 访问用户页面。例如:
User.create! name: "Joe Schmoe"
然后,你可以通过以下 URL 访问用户页面:
http://localhost:3000/users/joe-schmoe
2.4 为现有用户生成 slug
如果你是在现有应用中添加 FriendlyId,并且需要为现有用户生成 slug,可以在控制台、runner 或 Rake 任务中运行以下代码:
User.find_each(&:save)
3. 项目 API 使用文档
3.1 friendly.find 方法
FriendlyId 提供了 friendly.find 方法,用于通过 slug 查找记录。你可以使用以下方式调用:
User.friendly.find("joe-schmoe")
3.2 :allow_nil 选项
如果你希望在找不到记录时不抛出 ActiveRecord::RecordNotFound 异常,而是返回 nil,可以使用 :allow_nil 选项:
User.friendly.find("bad-slug", allow_nil: true)
#=> nil
4. 项目安装方式
4.1 通过 Gemfile 安装
最常见的安装方式是通过 Gemfile 安装 FriendlyId。只需在 Gemfile 中添加以下代码并运行 bundle install:
gem 'friendly_id', '~> 5.5.0'
4.2 手动安装
你也可以手动安装 FriendlyId,只需在终端中运行以下命令:
gem install friendly_id -v 5.5.0
4.3 使用 Bundler 安装
如果你使用 Bundler 管理依赖,可以通过以下命令安装:
bundle add friendly_id
通过以上步骤,你可以成功安装并使用 FriendlyId 来为你的 Rails 应用生成友好的 URL。
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 StartedRust0198
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 Notebook0129
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。Python07
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