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。
GLM-5智谱 AI 正式发布 GLM-5,旨在应对复杂系统工程和长时域智能体任务。Jinja00
GLM-5-w4a8GLM-5-w4a8基于混合专家架构,专为复杂系统工程与长周期智能体任务设计。支持单/多节点部署,适配Atlas 800T A3,采用w4a8量化技术,结合vLLM推理优化,高效平衡性能与精度,助力智能应用开发Jinja00
请把这个活动推给顶尖程序员😎本次活动专为懂行的顶尖程序员量身打造,聚焦AtomGit首发开源模型的实际应用与深度测评,拒绝大众化浅层体验,邀请具备扎实技术功底、开源经验或模型测评能力的顶尖开发者,深度参与模型体验、性能测评,通过发布技术帖子、提交测评报告、上传实践项目成果等形式,挖掘模型核心价值,共建AtomGit开源模型生态,彰显顶尖程序员的技术洞察力与实践能力。00
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
MiniMax-M2.5MiniMax-M2.5开源模型,经数十万复杂环境强化训练,在代码生成、工具调用、办公自动化等经济价值任务中表现卓越。SWE-Bench Verified得分80.2%,Multi-SWE-Bench达51.3%,BrowseComp获76.3%。推理速度比M2.1快37%,与Claude Opus 4.6相当,每小时仅需0.3-1美元,成本仅为同类模型1/10-1/20,为智能应用开发提供高效经济选择。【此简介由AI生成】Python00
Qwen3.5Qwen3.5 昇腾 vLLM 部署教程。Qwen3.5 是 Qwen 系列最新的旗舰多模态模型,采用 MoE(混合专家)架构,在保持强大模型能力的同时显著降低了推理成本。00- RRing-2.5-1TRing-2.5-1T:全球首个基于混合线性注意力架构的开源万亿参数思考模型。Python00