Ruby Setup Action 使用教程
1. 项目介绍
ruby/setup-ruby 是一个 GitHub Action,用于下载预构建的 Ruby 并将其添加到 PATH 中。它非常高效,通常只需要大约 5 秒的时间来下载、解压并添加指定的 Ruby 版本到 PATH。这个 Action 支持多种 Ruby 解释器版本,包括 MRI、JRuby 和 TruffleRuby,并且可以在多个操作系统上运行,如 Ubuntu、macOS 和 Windows。
2. 项目快速启动
2.1 安装 Ruby
首先,确保你已经安装了 Ruby。你可以通过以下命令检查是否已经安装了 Ruby:
ruby -v
如果没有安装,你可以使用以下命令通过包管理器安装 Ruby:
# 对于 Debian/Ubuntu
sudo apt-get install ruby-full
# 对于 CentOS/Fedora/RHEL
sudo yum install ruby
# 对于 macOS (使用 Homebrew)
brew install ruby
2.2 配置 GitHub Action
在你的 GitHub 仓库中,创建一个 .github/workflows 目录,并在其中创建一个 .yml 文件,例如 ruby-ci.yml。在这个文件中,添加以下内容:
name: Ruby CI
on: [push, pull_request]
jobs:
test:
runs-on: ubuntu-latest
steps:
- uses: actions/checkout@v4
- uses: ruby/setup-ruby@v1
with:
ruby-version: '3.3' # 指定你需要的 Ruby 版本
bundler-cache: true # 自动运行 'bundle install' 并缓存安装的 gems
- run: bundle exec rake
2.3 运行 GitHub Action
提交并推送你的更改,GitHub Action 将会自动运行并安装指定的 Ruby 版本,然后执行 bundle exec rake 命令。
3. 应用案例和最佳实践
3.1 多版本 Ruby 测试
在开发过程中,你可能需要测试你的代码在不同版本的 Ruby 上是否兼容。ruby/setup-ruby 支持矩阵测试,你可以在同一个工作流中测试多个 Ruby 版本:
name: Ruby CI
on: [push, pull_request]
jobs:
test:
strategy:
fail-fast: false
matrix:
ruby: ['2.7', '3.0', '3.1', '3.2', '3.3', 'head', 'jruby', 'jruby-head', 'truffleruby', 'truffleruby-head']
runs-on: ubuntu-latest
steps:
- uses: actions/checkout@v4
- uses: ruby/setup-ruby@v1
with:
ruby-version: ${{ matrix.ruby }}
bundler-cache: true
- run: bundle exec rake
3.2 缓存 Gem 安装
通过设置 bundler-cache: true,ruby/setup-ruby 会自动运行 bundle install 并缓存安装的 gems,从而加快 CI 的速度。
4. 典型生态项目
4.1 Ruby on Rails
Ruby on Rails 是一个流行的 Web 应用框架,使用 ruby/setup-ruby 可以轻松地在 CI 环境中配置和测试 Rails 项目。
4.2 Jekyll
Jekyll 是一个静态站点生成器,使用 ruby/setup-ruby 可以方便地配置和测试 Jekyll 项目。
4.3 Sinatra
Sinatra 是一个轻量级的 Web 应用框架,使用 ruby/setup-ruby 可以快速配置和测试 Sinatra 项目。
通过以上步骤,你可以轻松地在 GitHub Actions 中配置和使用 Ruby,并利用 ruby/setup-ruby 提供的功能来加速你的 CI 流程。
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