Benotes 开源项目安装与使用教程
1. 项目介绍
Benotes 是一个开源的、自托管的 Web 应用程序,旨在将笔记和书签管理功能集成在一起。用户可以通过 Benotes 轻松地保存和管理笔记和书签,支持 Markdown 和富文本编辑器,并且可以将其安装为 PWA(渐进式 Web 应用)在移动设备和桌面设备上使用。Benotes 项目目前处于 Beta 阶段,可能会遇到一些 bug 或错误。
2. 项目快速启动
2.1 环境准备
在开始安装 Benotes 之前,请确保您的系统满足以下要求:
- PHP 7.4 或更高版本
- Composer
- Node.js 和 npm
- MySQL 或 SQLite 数据库
2.2 安装步骤
2.2.1 克隆项目
首先,从 GitHub 克隆 Benotes 项目到本地:
git clone https://github.com/fr0tt/benotes.git
cd benotes
2.2.2 安装依赖
使用 Composer 安装 PHP 依赖:
composer install
使用 npm 安装前端依赖:
npm install
2.2.3 配置环境
复制 .env.example 文件并重命名为 .env:
cp .env.example .env
编辑 .env 文件,配置数据库连接信息:
DB_CONNECTION=mysql
DB_HOST=127.0.0.1
DB_PORT=3306
DB_DATABASE=benotes
DB_USERNAME=root
DB_PASSWORD=yourpassword
2.2.4 生成密钥
生成应用程序密钥:
php artisan key:generate
2.2.5 运行数据库迁移
运行数据库迁移以创建必要的表:
php artisan migrate
2.2.6 启动应用
使用以下命令启动开发服务器:
php artisan serve
现在,您可以在浏览器中访问 http://localhost:8000 来使用 Benotes。
3. 应用案例和最佳实践
3.1 个人笔记管理
Benotes 非常适合个人用户管理日常笔记和书签。用户可以通过 Markdown 或富文本编辑器创建和编辑笔记,同时可以将常用的网页书签保存到 Benotes 中,方便随时访问。
3.2 团队协作
Benotes 支持通过公共 URL 分享笔记和书签集合,这使得它成为团队协作的理想工具。团队成员可以共享知识库,并通过 Benotes 进行协作和讨论。
3.3 知识库构建
对于需要构建知识库的组织或个人,Benotes 提供了一个灵活的平台。用户可以创建分类和标签,将相关笔记和书签组织在一起,形成一个结构化的知识库。
4. 典型生态项目
4.1 Lumen 框架
Benotes 基于 Lumen 框架开发,Lumen 是一个轻量级的 PHP 微框架,专为构建高性能的微服务和 API 而设计。Lumen 的高性能和简洁性使得 Benotes 能够快速响应用户请求。
4.2 Vue.js
Benotes 的前端使用了 Vue.js 框架,Vue.js 是一个渐进式 JavaScript 框架,易于集成和扩展。Vue.js 的组件化开发模式使得 Benotes 的前端代码结构清晰,易于维护。
4.3 Docker
Benotes 提供了 Docker 支持,用户可以通过 Docker 快速部署 Benotes 应用。Docker 的容器化技术使得应用的部署和管理更加简单和高效。
4.4 Heroku
Benotes 还可以部署在 Heroku 平台上,Heroku 是一个支持多种编程语言的云平台,用户可以通过简单的命令行操作将 Benotes 部署到 Heroku 上。
通过以上模块的介绍和实践,您可以快速上手并充分利用 Benotes 开源项目。
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