Mongo2Go 技术文档
1. 安装指南
Mongo2Go 是一个托管 MongoDB 二进制文件的包装器,可以通过 NuGet 包管理器进行安装。以下是安装步骤:
-
使用 .NET CLI 命令安装包:
dotnet add package Mongo2Go
请注意,新版本 4.x 支持|.NET Framework 4.7.2|和|.NET Standard 2.1|,建议尽可能使用此版本。旧版本 3.x 和 2.x 分别支持|.NET Standard 2.0|和|.NET Standard 1.6|,而 1.x 版本支持经典|.NET 4.6.1|环境。
2. 项目的使用说明
Mongo2Go 主要用于两个场景:
- 为集成测试提供多个临时且隔离的 MongoDB 数据库。
- 为本地开发环境快速搭建 MongoDB 数据库。
集成测试模式
在集成测试模式下,每次调用静态方法 MongoDbRunner.Start() 时都会设置一个新的 MongoDB 实例。该方法使用空闲端口(从端口 27018 开始)并创建相应的数据目录。方法返回一个实现了 IDisposable 接口的 MongoDbRunner 实例。当 MongoDbRunner 被释放(或由 GC 调用 Finalizer)时,封装的 MongoDB 进程将被终止,数据目录中的所有数据将被删除。
本地调试模式
在本地调试模式下,会在默认端口 27017 上启动单个 MongoDB 实例。不会删除数据,且 MongoDB 实例不会自动终止。多次调用 MongoDbRunner.StartForDebugging() 会返回状态为 “AlreadyRunning” 的实例。在此模式下,建议不要在生成环境中使用,而是手动设置 MongoDB。
单服务器副本集模式
MongoDbRunner.Start() 可以接受一个名为 singleNodeReplSet 的可选布尔参数。当该参数设置为 true 时,将启动一个名为 singleNodeReplSet 的单节点副本集 MongoDB 实例。副本集模式是 MongoDB 4.0 或更高版本中事务工作的必要条件。
3. 项目 API 使用文档
Mongo2Go 提供了以下主要 API 方法:
MongoDbRunner.Start(): 启动一个新的 MongoDB 实例用于集成测试。MongoDbRunner.StartForDebugging(): 启动一个 MongoDB 实例用于本地调试。MongoDbRunner.Export(string databaseName, string collectionName, string filePath): 导出指定数据库和集合的数据。MongoDbRunner.Import(string databaseName, string collectionName, string filePath, bool dropCollection): 导入数据到指定数据库和集合。
4. 项目安装方式
Mongo2Go 可以通过 NuGet 包管理器进行安装。以下是通过 .NET CLI 安装 Mongo2Go 的命令:
dotnet add package Mongo2Go
确保选择正确的版本以匹配您的项目框架。
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
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
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