Greasy Fork 项目教程
1. 项目介绍
Greasy Fork 是一个在线的用户脚本仓库,旨在为用户提供安全、有用的用户脚本。用户脚本是一种可以增强网页功能的脚本,通过在浏览器中运行这些脚本,用户可以自定义网页的行为和外观。Greasy Fork 提供了一个平台,用户可以在这里分享、安装和管理这些用户脚本。
Greasy Fork 项目托管在 GitHub 上,地址为:https://github.com/JasonBarnabe/greasyfork.git。该项目使用 GPL-3.0 许可证,欢迎开发者贡献代码和改进。
2. 项目快速启动
2.1 环境准备
在开始之前,请确保您的开发环境已经安装了以下工具:
- Ruby
- Bundler
- Node.js
- Yarn
2.2 克隆项目
首先,克隆 Greasy Fork 项目到本地:
git clone https://github.com/JasonBarnabe/greasyfork.git
cd greasyfork
2.3 安装依赖
安装项目所需的 Ruby 和 JavaScript 依赖:
bundle install
yarn install
2.4 配置数据库
Greasy Fork 使用 PostgreSQL 作为数据库。请确保您已经安装并配置了 PostgreSQL。然后,创建数据库并运行迁移:
rails db:create
rails db:migrate
2.5 启动服务器
启动 Rails 服务器:
rails server
现在,您可以在浏览器中访问 http://localhost:3000 来查看 Greasy Fork 的本地实例。
3. 应用案例和最佳实践
3.1 用户脚本管理
Greasy Fork 提供了一个用户友好的界面,用户可以轻松地搜索、安装和管理用户脚本。用户可以通过脚本管理器(如 Tampermonkey、Greasemonkey)来安装这些脚本,并在浏览器中使用它们。
3.2 贡献代码
如果您想为 Greasy Fork 贡献代码,可以按照以下步骤进行:
- 在 GitHub 上 Fork 项目。
- 克隆您的 Fork 到本地。
- 创建一个新的分支进行开发。
- 提交您的更改并创建 Pull Request。
3.3 社区支持
Greasy Fork 有一个活跃的社区,用户可以在论坛中寻求帮助、分享脚本和讨论最佳实践。社区的支持对于项目的持续发展至关重要。
4. 典型生态项目
4.1 Tampermonkey
Tampermonkey 是一个流行的用户脚本管理器,支持多种浏览器。它允许用户安装和管理 Greasy Fork 上的脚本,并提供了丰富的脚本管理功能。
4.2 Violentmonkey
Violentmonkey 是另一个流行的用户脚本管理器,支持 Chrome 和 Firefox 等浏览器。它与 Tampermonkey 类似,提供了强大的脚本管理功能。
4.3 Greasemonkey
Greasemonkey 是最早的用户脚本管理器之一,主要支持 Firefox 浏览器。虽然它的功能相对简单,但仍然是许多用户的首选。
通过这些生态项目,用户可以更好地利用 Greasy Fork 提供的用户脚本,增强他们的浏览体验。
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
请把这个活动推给顶尖程序员😎本次活动专为懂行的顶尖程序员量身打造,聚焦AtomGit首发开源模型的实际应用与深度测评,拒绝大众化浅层体验,邀请具备扎实技术功底、开源经验或模型测评能力的顶尖开发者,深度参与模型体验、性能测评,通过发布技术帖子、提交测评报告、上传实践项目成果等形式,挖掘模型核心价值,共建AtomGit开源模型生态,彰显顶尖程序员的技术洞察力与实践能力。00
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