Redis 技术文档
本文档旨在帮助用户安装、使用和深入了解 Redis 项目。以下是项目的安装指南、使用说明以及 API 使用文档。
1. 安装指南
Redis 客户端的安装路径遵循特定模式:clients/{language}/github.com/{owner}/{repository}.json。其中 {language} 部分为语言的全名,映射在 languages.json 文件中。
例如,Python 客户端的安装路径为 clients/python/github.com/redis/redis-py.json:
{
"name": "redis-py",
"description": "成熟且受支持。目前 Python 的首选方式。",
"recommended": true
}
2. 项目的使用说明
项目的使用说明主要涉及 Redis 命令的描述。命令描述存储在 commands.json 文件中,该文件是从 Redis 存储库中的命令文件夹自动生成的。
每个命令都有一个 Markdown 文件,其中包含完整的、易于理解的描述。在处理 Markdown 时,需要注意以下几点:
-
文本中,所有命令应以大写形式书写,并在反引号之间。
-
例如:
INCR。 -
可以使用一些魔法关键字来命名 Redis 中的常见元素。
-
例如:
@multi-bulk-reply。这些关键字将自动扩展并链接到文档的相关部分。
每个命令将有一个描述,以及 RESP2 和 RESP3 返回值。
关于返回值,这些包含在以下文件中:
resp2_replies.jsonresp3_replies.json
每个文件是一个字典,其中包含一组匹配的键。每个键是一个字符串数组,当处理时,生成 Markdown 内容。以下是一个示例:
{
...
"ACL CAT": [
"以下之一:",
"* [数组回复](/docs/reference/protocol-spec#arrays):一个包含 [大字符串回复](/docs/reference/protocol-spec#bulk-strings) 元素的数组,表示 ACL 类别或类别中的命令。",
"* [简单错误回复](/docs/reference/protocol-spec#simple-errors):如果给出无效的类别名称,命令返回错误。"
],
...
}
重要提示:添加或编辑返回值时,请确保同时编辑这两个文件。
3. 项目 API 使用文档
Redis 命令的 API 使用文档主要涉及命令的描述和返回值。每个命令的描述和返回值都在相应的 Markdown 文件中详细说明。
- 使用大写字母书写命令名称,并在反引号之间。
- 使用魔法关键字来命名常见的 Redis 元素。
以下是一些示例回复类型:
@simple-string-reply: 简单字符串回复@simple-error-reply: 简单错误回复@integer-reply: 整数回复@bulk-string-reply: 大字符串回复@array-reply: 数组回复@nil-reply: 空回复@null-reply: 空值回复@boolean-reply: 布尔回复@double-reply: 双精度回复@big-number-reply: 大数回复@bulk-error-reply: 大错误回复@verbatim-string-reply: 逐字字符串回复@map-reply: 映射回复@set-reply: 集合回复@push-reply: 推送回复
4. 项目安装方式
在文档中,您可以使用以下命令来检查拼写和某些轻微的语法错误:
npm install --global spellchecker-cli
然后,您可以运行以下命令来验证拼写:
spellchecker --no-suggestions -f '**/*.md' -l zh-CN -q -d wordlist
任何拼写例外可以添加到 wordlist 文件中。
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