Apache Yetus 技术文档
1. 安装指南
Apache Yetus 提供了两种安装方式:Docker 容器和直接在操作系统上安装。
Docker 容器安装
-
运行以下命令启动包含所有项目依赖项的 Docker 容器,并创建一个工作的构建环境:
./start-build-env.sh -
在容器内构建项目:
mvn clean install
直接在操作系统上安装
-
确保安装了 Maven。
-
运行以下命令构建项目:
mvn clean install -
若要构建并签署内容,请运行:
mvn clean install -Papache-release -
若在操作系统外部构建,并且需要通知系统使用
gpg2而不是gpg,请运行:mvn clean install -Papache-release -Pgpg2 -
若要构建但跳过签署,请运行:
mvn clean install -Papache-release -Dgpg.sign=skip
构建完成后,构件将位于 yetus-dist/target/artifacts 或准备进行 mvn deploy。
2. 项目使用说明
Apache Yetus 是一组库和工具的集合,用于支持软件项目的贡献和发布过程。以下是其主要组件:
-
Website source: 持有项目文档,并通过项目网站展示。
-
Precommit: 提供用于处理贡献的强大工具,包括从各种项目源应用补丁,并通过插件系统评估它们是否符合项目规范。查看 precommit 概述 以开始使用 precommit。
-
Audience Annotations: 允许项目使用 Java 注解来区分 API 的公共和非公共部分。它还提供了 doclets 来生成按目标受众筛选的 javadocs。目前支持 Maven 3.2.0+。
-
Shelldocs: 处理 Bash 函数上的注释,提供类似于 Javadoc 的注解。还包括类似于 Audience Annotations doclet 的内置受众范围功能。
-
Release Doc Maker: 分析 Jira 和 Git 信息以生成 Markdown 格式的发行说明。
-
yetus-maven-plugin: 构建一个 maven 插件,提供一些不常见的 maven 要求(如符号链接)的实用工具,以及 Apache Yetus 功能的一些 maven 化版本。
3. 项目API使用文档
Apache Yetus 的各个组件提供了丰富的 API,以下是一些使用示例:
- Precommit: 通过插件系统与项目的贡献过程集成。
- Audience Annotations: 使用 Java 注解来标注 API 的可见性。
- Shelldocs: 使用 Bash 函数注释生成文档。
- Release Doc Maker: 通过分析 Jira 和 Git 数据生成发行说明。
4. 项目安装方式
项目的安装方式已在“安装指南”部分详细说明,支持 Docker 容器和直接在操作系统上安装。请根据实际需求选择合适的安装方式。
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- QQwen3.5-397B-A17BQwen3.5 实现了重大飞跃,整合了多模态学习、架构效率、强化学习规模以及全球可访问性等方面的突破性进展,旨在为开发者和企业赋予前所未有的能力与效率。Jinja00
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