Hg-Git Mercurial 插件技术文档
1. 安装指南
依赖项
Hg-Git 插件完全使用 Python 实现,因此不需要 Git 二进制依赖项,也不需要在系统上安装 Git。唯一的依赖项是 Mercurial 和 Dulwich。请查看 Makefile 文件以了解已知兼容的 Mercurial 版本,以及 setup.py 文件以了解所需的 Dulwich 版本。
安装步骤
-
克隆 Hg-Git 仓库到本地:
hg clone https://bitbucket.org/durin42/hg-git -
在
~/.hgrc文件中添加 Hg-Git 插件的扩展配置:[extensions] hggit = /path/to/hg-git/hggit -
确保 Mercurial 和 Dulwich 的版本符合要求。
2. 项目使用说明
从 Git 仓库克隆到 Hg
你可以通过运行以下命令从 Hg 克隆一个 Git 仓库:
hg clone <url> [dest]
例如:
hg clone git://github.com/schacon/hg-git.git
从 Hg 仓库推送到 Git
如果你从一个现有的 Hg 仓库开始,你需要在某个你有推送权限的地方设置一个 Git 仓库,并在 .hg/hgrc 文件中为它添加一个路径条目,然后从你的仓库中运行 hg push [name]。例如:
cd hg-git # (一个 Hg 仓库)
# 编辑 .hg/hgrc 并在 paths 部分添加目标 git url
hg push
拉取更新
你可以使用 hg pull 命令从 Git 仓库拉取更新:
hg pull
将 Mercurial 仓库转换为 Git 仓库
你可以使用以下命令将 Mercurial 仓库转换为 Git 仓库:
mkdir git-repo; cd git-repo; git init; cd ..
cd hg-repo
hg bookmarks hg
hg push ../git-repo
3. 项目 API 使用文档
命令
- gclear: 待完成
- gimport: 待完成
- gexport: 待完成
- git-cleanup: 待完成
Hg 书签集成
Hg-Git 会将你的书签推送到 Git 服务器作为分支,并从 Git 分支拉取并设置为书签。
4. 项目安装方式
配置
-
git.intree: 默认情况下,Hg-Git 会在本地 Mercurial 仓库的子目录
git中保留一个 Git 仓库克隆。如果你希望这个 Git 克隆与 Mercurial 仓库在同一级别(命名为.git),请在hgrc中添加以下配置:[git] intree = True -
git.authors: 如果你希望自定义作者名称转换,可以在
hgrc中添加git.authors选项,并指定一个作者翻译文件。 -
git.branch_bookmark_suffix: 如果你希望在书签名称中添加后缀以便与分支名称区分,可以在
hgrc中添加branch_bookmark_suffix选项。 -
git.mindate: 如果你希望忽略某些旧的分支,可以设置
git.mindate选项。 -
git.similarity: 指定文件修改的相似度以识别重命名或复制操作。
-
git.renamelimit: 指定在执行复制/重命名检测时要考虑的文件数量。
-
git.findcopiesharder: 是否考虑未修改的文件作为复制源。
通过以上配置,你可以根据项目需求自定义 Hg-Git 的行为。
ERNIE-4.5-VL-28B-A3B-ThinkingERNIE-4.5-VL-28B-A3B-Thinking 是 ERNIE-4.5-VL-28B-A3B 架构的重大升级,通过中期大规模视觉-语言推理数据训练,显著提升了模型的表征能力和模态对齐,实现了多模态推理能力的突破性飞跃Python00
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
MiniMax-M2MiniMax-M2是MiniMaxAI开源的高效MoE模型,2300亿总参数中仅激活100亿,却在编码和智能体任务上表现卓越。它支持多文件编辑、终端操作和复杂工具链调用Python00
HunyuanVideo-1.5HunyuanVideo-1.5作为一款轻量级视频生成模型,仅需83亿参数即可提供顶级画质,大幅降低使用门槛。该模型在消费级显卡上运行流畅,让每位开发者和创作者都能轻松使用。本代码库提供生成创意视频所需的实现方案与工具集。00
MiniCPM-V-4_5MiniCPM-V 4.5 是 MiniCPM-V 系列中最新且功能最强的模型。该模型基于 Qwen3-8B 和 SigLIP2-400M 构建,总参数量为 80 亿。与之前的 MiniCPM-V 和 MiniCPM-o 模型相比,它在性能上有显著提升,并引入了新的实用功能Python00
GOT-OCR-2.0-hf阶跃星辰StepFun推出的GOT-OCR-2.0-hf是一款强大的多语言OCR开源模型,支持从普通文档到复杂场景的文字识别。它能精准处理表格、图表、数学公式、几何图形甚至乐谱等特殊内容,输出结果可通过第三方工具渲染成多种格式。模型支持1024×1024高分辨率输入,具备多页批量处理、动态分块识别和交互式区域选择等创新功能,用户可通过坐标或颜色指定识别区域。基于Apache 2.0协议开源,提供Hugging Face演示和完整代码,适用于学术研究到工业应用的广泛场景,为OCR领域带来突破性解决方案。00