Brooklyn 网站与文档项目技术文档
1. 安装指南
1.1 工作站设置
-
克隆仓库:首先,克隆
brooklyn仓库及其子项目,并按照 [提交者指南][COMMIT] 设置远程仓库。 -
安装 Ruby 和 RVM:项目使用 Jekyll 处理网站内容,因此需要 Ruby 和 gem。推荐使用 RVM 来管理 Ruby 安装和 gem 集。
curl -sSL https://get.rvm.io | bash -s stable --auto-dotfiles关闭并重新打开终端,进入项目目录。RVM 会根据
Gemfile配置自动配置环境。如果提示缺少 Ruby 版本,按照提示安装相应版本。 -
安装依赖 Gem:
bundle install如果遇到问题,可以参考 [提交者指南][COMMIT] 中的常见问题解决方法。
1.2 构建 PDF 文档(可选)
如果需要构建 PDF 文档,需安装 wkhtmltopdf。可以通过以下命令安装:
sudo apt-get install wkhtmltopdf
2. 项目的使用说明
2.1 查看网站和文档
在项目目录下运行以下命令,启动本地服务器并查看文档:
jekyll serve
服务器启动后,Jekyll 会输出本地访问地址(如 http://localhost:4000/)。修改文件后,Jekyll 会自动重新生成内容。
2.2 项目结构
项目包含两个微型站点:
/website:主网站内容,包括提交者指令、下载说明和“了解更多”页面。/guide:用户指南和特定版本的 Brooklyn 信息,包括代码结构和 API 文档。
其他重要目录:
/style:包含 JS、CSS 和图像资源。/_build:包含构建脚本和配置文件。/_plugins:包含 Jekyll 插件,提供标签和生成逻辑。/_layouts:包含页面使用的 HTML 模板。/_includes:包含模板和页面使用的杂项内容。
2.3 分支管理
/website可以针对任何分支构建,通常从master分支发布。/guide应针对特定分支更新和构建,例如master或0.7.0-M2。
3. 项目 API 使用文档
API 文档通常在 /guide 目录中生成。可以通过以下命令生成 API 文档:
_build/build.sh guide-version
生成的文档将位于 _site/v/<version>/ 目录下。
4. 项目安装方式
项目的安装主要依赖于 Ruby 和 Jekyll。按照 安装指南 中的步骤配置环境后,即可通过 jekyll serve 命令启动本地服务器,或通过 _build/build.sh 脚本进行更复杂的构建和发布操作。
4.1 构建脚本
_build/build.sh 脚本提供了多种构建选项,可以通过以下命令查看帮助:
_build/build.sh help
常用的构建选项包括:
website-root:仅构建网站。guide-latest:构建最新版本的指南。guide-version:构建特定版本的指南。
4.2 发布网站和指南
发布到 Apache 网站需要将生成的 HTML 文件提交到 Apache Subversion 仓库。具体步骤请参考 [提交者指南][COMMIT]。
通过以上文档,您应该能够顺利安装、使用和了解 Brooklyn 网站与文档项目。如有任何问题,请参考项目 Wiki 或联系项目维护者。
kernelopenEuler内核是openEuler操作系统的核心,既是系统性能与稳定性的基石,也是连接处理器、设备与服务的桥梁。C0105
baihu-dataset异构数据集“白虎”正式开源——首批开放10w+条真实机器人动作数据,构建具身智能标准化训练基座。00
mindquantumMindQuantum is a general software library supporting the development of applications for quantum computation.Python059
PaddleOCR-VLPaddleOCR-VL 是一款顶尖且资源高效的文档解析专用模型。其核心组件为 PaddleOCR-VL-0.9B,这是一款精简却功能强大的视觉语言模型(VLM)。该模型融合了 NaViT 风格的动态分辨率视觉编码器与 ERNIE-4.5-0.3B 语言模型,可实现精准的元素识别。Python00
GLM-4.7GLM-4.7上线并开源。新版本面向Coding场景强化了编码能力、长程任务规划与工具协同,并在多项主流公开基准测试中取得开源模型中的领先表现。 目前,GLM-4.7已通过BigModel.cn提供API,并在z.ai全栈开发模式中上线Skills模块,支持多模态任务的统一规划与协作。Jinja00
AgentCPM-Explore没有万亿参数的算力堆砌,没有百万级数据的暴力灌入,清华大学自然语言处理实验室、中国人民大学、面壁智能与 OpenBMB 开源社区联合研发的 AgentCPM-Explore 智能体模型基于仅 4B 参数的模型,在深度探索类任务上取得同尺寸模型 SOTA、越级赶上甚至超越 8B 级 SOTA 模型、比肩部分 30B 级以上和闭源大模型的效果,真正让大模型的长程任务处理能力有望部署于端侧。Jinja00