使用rbenv管理Ruby环境
1. 安装指南
使用包管理器
-
Homebrew
在macOS或Linux上,我们推荐使用Homebrew安装rbenv。brew install rbenv -
Debian, Ubuntu及其衍生版本
[!CAUTION]
官方Debian和Ubuntu仓库中维护的rbenv版本是过时的。为了安装最新版本,建议使用通过git安装。sudo apt install rbenv -
Arch Linux及其衍生版本
Archlinux有一个archlinux用户仓库(AUR)包,你可以按照这个wiki页面的说明从AUR安装。 -
Fedora
Fedora有一个官方包,你可以安装:sudo dnf install rbenv -
设置你的shell加载rbenv。
rbenv init -
关闭你的终端窗口并打开一个新的窗口,以便你的更改生效。
基本Git检出
-
克隆rbenv到
~/.rbenv。git clone https://github.com/rbenv/rbenv.git ~/.rbenv -
设置你的shell加载rbenv。
~/.rbenv/bin/rbenv init -
重启你的shell,以便这些更改生效。(通常打开一个新的终端标签即可。)
2. 项目使用说明
rbenv是一个在类Unix系统上管理Ruby版本的工具。它可以让你在同一台机器上切换多个Ruby版本,并确保你工作的每个项目都能在正确的Ruby版本上运行。
安装后,rbenv会注入到你的PATH中。任何对ruby、gem、bundler或其他Ruby相关可执行文件的调用都会首先激活rbenv。然后,rbenv会扫描当前项目目录下是否存在一个名为.ruby-version的文件。如果找到,该文件将确定在该目录中应使用的Ruby版本。最后,rbenv在~/.rbenv/versions/下查找该Ruby版本。
你可以为你的项目选择Ruby版本,例如:
cd myproject
# 选择Ruby版本3.1.2:
rbenv local 3.1.2
这样做会在当前目录中创建或更新一个.ruby-version文件,其中包含你选择的版本。你另一个目录中的不同项目可能会使用不同的Ruby版本——当你切换项目时,rbenv会无缝地从一个Ruby版本过渡到另一个。
几乎rbenv的所有机制都可以通过bash编写的插件进行自定义。
rbenv的简单性有其优点,但也有一些缺点。更多信息请查看版本管理器比较。
3. 项目API使用文档
rbenv提供了一系列命令来管理Ruby版本。以下是一些主要命令的参考:
-
rbenv versions:列出所有已知的Ruby版本,并在当前活动版本旁边显示星号。 -
rbenv version:显示当前活动的Ruby版本以及它是如何设置的。 -
rbenv local:设置当前目录的本地Ruby版本。 -
rbenv global:设置所有shell中使用的全局Ruby版本。 -
rbenv shell:设置当前shell中使用的Ruby版本。 -
rbenv rehash:为所有已知的Ruby可执行文件安装shims。 -
rbenv which:显示rbenv将调用的给定命令的完整路径。 -
rbenv whence:列出包含指定可执行文件名的所有Ruby版本。
4. 项目安装方式
请参考上述“安装指南”部分,了解如何使用包管理器或基本Git检出方式安装rbenv。安装完成后,你需要设置你的shell以加载rbenv,并重启终端窗口以使更改生效。
AutoGLM-Phone-9BAutoGLM-Phone-9B是基于AutoGLM构建的移动智能助手框架,依托多模态感知理解手机屏幕并执行自动化操作。Jinja00
Kimi-K2-ThinkingKimi K2 Thinking 是最新、性能最强的开源思维模型。从 Kimi K2 开始,我们将其打造为能够逐步推理并动态调用工具的思维智能体。通过显著提升多步推理深度,并在 200–300 次连续调用中保持稳定的工具使用能力,它在 Humanity's Last Exam (HLE)、BrowseComp 等基准测试中树立了新的技术标杆。同时,K2 Thinking 是原生 INT4 量化模型,具备 256k 上下文窗口,实现了推理延迟和 GPU 内存占用的无损降低。Python00
GLM-4.6V-FP8GLM-4.6V-FP8是GLM-V系列开源模型,支持128K上下文窗口,融合原生多模态函数调用能力,实现从视觉感知到执行的闭环。具备文档理解、图文生成、前端重构等功能,适用于云集群与本地部署,在同类参数规模中视觉理解性能领先。Jinja00
HunyuanOCRHunyuanOCR 是基于混元原生多模态架构打造的领先端到端 OCR 专家级视觉语言模型。它采用仅 10 亿参数的轻量化设计,在业界多项基准测试中取得了当前最佳性能。该模型不仅精通复杂多语言文档解析,还在文本检测与识别、开放域信息抽取、视频字幕提取及图片翻译等实际应用场景中表现卓越。00
GLM-ASR-Nano-2512GLM-ASR-Nano-2512 是一款稳健的开源语音识别模型,参数规模为 15 亿。该模型专为应对真实场景的复杂性而设计,在保持紧凑体量的同时,多项基准测试表现优于 OpenAI Whisper V3。Python00
GLM-TTSGLM-TTS 是一款基于大语言模型的高质量文本转语音(TTS)合成系统,支持零样本语音克隆和流式推理。该系统采用两阶段架构,结合了用于语音 token 生成的大语言模型(LLM)和用于波形合成的流匹配(Flow Matching)模型。 通过引入多奖励强化学习框架,GLM-TTS 显著提升了合成语音的表现力,相比传统 TTS 系统实现了更自然的情感控制。Python00
Spark-Formalizer-X1-7BSpark-Formalizer 是由科大讯飞团队开发的专用大型语言模型,专注于数学自动形式化任务。该模型擅长将自然语言数学问题转化为精确的 Lean4 形式化语句,在形式化语句生成方面达到了业界领先水平。Python00