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。
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- QQwen3-Coder-Next2026年2月4日,正式发布的Qwen3-Coder-Next,一款专为编码智能体和本地开发场景设计的开源语言模型。Python00
xw-cli实现国产算力大模型零门槛部署,一键跑通 Qwen、GLM-4.7、Minimax-2.1、DeepSeek-OCR 等模型Go06
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!Kotlin08
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