WheneverGem 使用指南
1. 安装指南
安装 Whenever Gem 非常简单,可以使用以下任一命令:
$ gem install whenever
或者,如果你在使用 Bundler,可以在你的 Gemfile 中添加以下代码:
gem 'whenever', require: false
然后执行 bundle install 命令。
2. 项目使用说明
使用 Whenever Gem,你需要先在你的项目中初始化一个配置文件。以下是如何创建这个文件的步骤:
$ cd /apps/my-great-project
$ bundle exec wheneverize .
这会在你的项目中的 config 文件夹下创建一个名为 schedule.rb 的文件。
The whenever 命令
whenever 命令会将你的 schedule.rb 文件内容转换为 cron 语法。但它不会读取或写入你的 crontab 文件。
如果你想查看转换后的 cron 语法,可以执行以下命令:
$ cd /apps/my-great-project
$ bundle exec whenever
如果你想将你的任务写入 crontab 文件,可以使用以下命令:
$ whenever --update-crontab
你还可以使用其他选项,例如:
--user app:设置以特定用户身份安装 crontab--load-file config/my_schedule.rb:设置要使用的调度文件--crontab-command 'sudo crontab':覆盖默认的 crontab 命令
注意:如果你不使用 --user 属性运行 whenever --update-crontab,cron 将由当前用户生成。这意味着需要其他用户权限的任务将失败。
你可以使用 crontab -l 命令查看已安装的 cron 任务。
运行 whenever --help 可以获取完整的选项列表,用于选择调度、设置变量等。
3. 项目API使用文档
Whenever Gem 提供了以下几种预定义的作业类型:command、runner 和 rake。你还可以使用 job_type 方法定义自己的作业类型。
例如:
job_type :awesome, '/usr/local/bin/awesome :task :fun_level'
every 2.hours do
awesome "party", fun_level: "extreme"
end
这将每两小时运行 /usr/local/bin/awesome party extreme。
默认的作业类型定义如下:
job_type :command, ":task :output"
job_type :rake, "cd :path && :environment_variable=:environment bundle exec rake :task --silent :output"
job_type :runner, "cd :path && bin/rails runner -e :environment ':task' :output"
job_type :script, "cd :path && :environment_variable=:environment bundle exec script/:task :output"
如果未设置 :path,它将默认为执行 whenever 命令的目录。:environment_variable 默认为 'RAILS_ENV'。:environment 默认为 'production'。:output 会被替换为你的输出重定向设置。
所有作业默认使用 bash -l -c 'command...' 运行。这允许你的 cron 作业加载整个环境,而不是 cron 的有限环境。
你可以通过设置自己的 :job_template 来更改默认设置:
set :job_template, "bash -l -c ':job'"
或者,如果你想取消模板,可以设置为 nil:
set :job_template, nil
4. 项目安装方式
Whenever Gem 的安装方式已在 "安装指南" 部分说明,以下是简要步骤:
- 使用
gem install whenever命令安装 Gem。 - 在项目中运行
bundle exec wheneverize .初始化schedule.rb。 - 运行
bundle exec whenever查看cron语法。 - 运行
whenever --update-crontab将任务写入 crontab。
确保在执行 whenever --update-crontab 时根据需要设置用户权限。
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