Tsuru 项目技术文档
1. 安装指南
获取 tsuru-client
请从以下链接下载与您的操作系统相匹配的最新版本:tsuru-client releases
以下是为 OS X 系统下载版本 1.1.1 的示例:
$ curl -sSL https://github.com/tsuru/tsuru-client/releases/download/1.1.1/tsuru-1.1.1-darwin_amd64.tar.gz | tar xz
安装说明
2. 项目的使用说明
在 Kubernetes 集群上成功运行 tsuru 后,您可以通过调用 app list 命令来查看 tsuru 是否正常工作。此命令应返回一个名为 tsuru-dashboard 的应用。
$ tsuru app list
3. 项目API使用文档
Tsuru 提供了一个命令行工具,名为 tsuru,允许您与 Tsuru API 进行交互。在使用前,请确保已按照安装指南正确安装了 Tsuru Client。
以下是一些基本的命令示例:
- 列出应用:
tsuru app list - 登录:
tsuru login admin@admin.com# 密码:admin@123 - 列出集群:
tsuru cluster list
4. 项目安装方式
本地开发环境
依赖项
在开始之前,请确保已安装以下工具:
您还需要安装 Tsuru Client 以与 Tsuru API 进行交互。如果尚未安装,请执行安装。
对于 macOS 用户:我们建议使用带有 socket_vmnet 的 qemu 驱动程序来运行 Minikube 集群。 有关安装 qemu 和 socket_vmnet 的更多信息,请参考以下链接:
注意:如果您使用的是 Docker 兼容的替代品,如 Podman,请在运行 make 命令时指定 DOCKER 变量与正确的二进制文件。例如:make local.run DOCKER=podman。
运行本地环境
要本地运行 Tsuru API,您需要先设置本地环境。这个设置过程非常重要,因为它会创建默认的配置文件,初始化所需的依赖项,并准备您的本地系统以托管 Tsuru API。以下命令将处理所有这些任务:
make local.setup
一旦设置完成,除非您想要重置环境,否则无需再次运行此命令。
初始设置完成后,您可以使用以下命令启动 Tsuru API 及其依赖项:
make local.run
Tsuru API 运行后,打开一个新的终端窗口并配置 Tsuru CLI,使其指向 local-dev 目标。此目标会告诉 CLI 与您的本地 Tsuru API 实例而不是远程服务器进行交互。您可以使用以下命令设置目标:
tsuru target-set local-dev
Tsuru 的目标与 Kubernetes 的 kubectl 配置上下文类似,允许您轻松地在不同环境之间切换。
要确认一切都设置正确,您可以登录并列出由您的 Tsuru API 实例管理的集群:
tsuru login admin@admin.com # 密码: admin@123
tsuru cluster list
如果一切正常,您应该会看到本地 Minikube 集群被列为默认的提供程序。
清理
完成本地环境的操作后,停止服务以释放系统资源非常重要。您可以使用以下命令停止依赖项:
make local.stop
如果您想要完全重置环境,或者不再需要在您的计算机上运行 Tsuru API 及其依赖项,您可以使用以下命令删除所有相关资源:
make local.cleanup
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
GLM-4.7-FlashGLM-4.7-Flash 是一款 30B-A3B MoE 模型。作为 30B 级别中的佼佼者,GLM-4.7-Flash 为追求性能与效率平衡的轻量化部署提供了全新选择。Jinja00
VLOOKVLOOK™ 是优雅好用的 Typora/Markdown 主题包和增强插件。 VLOOK™ is an elegant and practical THEME PACKAGE × ENHANCEMENT PLUGIN for Typora/Markdown.Less00
PaddleOCR-VL-1.5PaddleOCR-VL-1.5 是 PaddleOCR-VL 的新一代进阶模型,在 OmniDocBench v1.5 上实现了 94.5% 的全新 state-of-the-art 准确率。 为了严格评估模型在真实物理畸变下的鲁棒性——包括扫描伪影、倾斜、扭曲、屏幕拍摄和光照变化——我们提出了 Real5-OmniDocBench 基准测试集。实验结果表明,该增强模型在新构建的基准测试集上达到了 SOTA 性能。此外,我们通过整合印章识别和文本检测识别(text spotting)任务扩展了模型的能力,同时保持 0.9B 的超紧凑 VLM 规模,具备高效率特性。Python00
KuiklyUI基于KMP技术的高性能、全平台开发框架,具备统一代码库、极致易用性和动态灵活性。 Provide a high-performance, full-platform development framework with unified codebase, ultimate ease of use, and dynamic flexibility. 注意:本仓库为Github仓库镜像,PR或Issue请移步至Github发起,感谢支持!Kotlin07
compass-metrics-modelMetrics model project for the OSS CompassPython00