Advanced Shell History 使用教程
1. 项目介绍
Advanced Shell History 是一个开源项目,旨在将命令行历史记录保存到 SQLite3 数据库中。该项目不仅记录了命令本身,还保留了命令的退出代码、开始和结束时间(以及命令持续时间)、当前工作目录、会话详细信息(如 tty、pid、ppid、ssh 连接详情)等额外信息。它支持多种 shell(如 zsh 和 bash),并提供了一个方便的工具来查询历史数据库。
2. 项目快速启动
2.1 安装依赖
在开始之前,确保你的系统上安装了以下依赖:
- awk
- bash
- curl
- flex(可选,仅在重建
queries.cpp时需要) - g++ 和 gcc
- make
- sed
- tar
- unzip
- sqlite3(推荐)
在 macOS 上,你还需要安装 Xcode 来编译 C++ 版本。
2.2 克隆项目
首先,克隆项目到本地:
git clone https://github.com/barabo/advanced-shell-history.git
cd advanced-shell-history
2.3 构建项目
你可以选择构建 C++ 版本或 Python 版本,或者两者都构建:
make build_c # 构建 C++ 版本
make build_python # 构建 Python 版本
make build # 构建两者
2.4 安装项目
安装构建好的版本:
make install_c # 安装 C++ 版本
make install_python # 安装 Python 版本
make install # 安装两者
2.5 配置项目
为了使项目正常工作,你需要在 shell 配置文件中添加一些配置。例如,在 ~/.bashrc 文件中添加以下内容:
source /usr/local/etc/advanced-shell-history/config
export ASH_CFG_SYSTEM_QUERY_FILE
source /usr/local/lib/advanced_shell_history/sh/bash
确保在修改后重新加载配置文件:
source ~/.bashrc
2.6 验证安装
打开一个新的终端窗口,你应该会看到类似以下的消息:
Advanced Shell History enabled: session 1
这表明项目已经成功启用。
3. 应用案例和最佳实践
3.1 查询历史记录
你可以使用 ash_query 工具来查询历史记录。例如,查询当前目录下的所有历史记录:
ash_query -q RCWD
3.2 自定义查询
你可以通过修改 queries 目录中的查询文件来自定义查询。例如,创建一个新的查询文件 my_query.l,然后使用 flex 生成对应的 C++ 文件:
flex -o queries/my_query.cpp queries/my_query.l
3.3 跨会话历史记录
由于历史记录保存在 SQLite3 数据库中,你可以在不同的 shell 会话之间共享历史记录。这对于多任务处理和团队协作非常有用。
4. 典型生态项目
4.1 SQLite3
Advanced Shell History 依赖于 SQLite3 数据库来存储历史记录。SQLite3 是一个轻量级的嵌入式数据库,广泛用于各种应用程序中。
4.2 Bash 和 Zsh
该项目支持 Bash 和 Zsh,这两种 shell 是 Linux 和 macOS 上最常用的 shell。通过集成到这些 shell 中,Advanced Shell History 可以无缝地记录和查询命令历史。
4.3 Git
Git 是一个分布式版本控制系统,广泛用于软件开发中。通过结合 Advanced Shell History,开发者可以更好地跟踪和管理他们的命令历史,特别是在多人协作的项目中。
通过以上步骤,你可以快速启动并使用 Advanced Shell History 项目,记录和管理你的命令行历史记录。
atomcodeClaude Code 的开源替代方案。连接任意大模型,编辑代码,运行命令,自动验证 — 全自动执行。用 Rust 构建,极致性能。 | An open-source alternative to Claude Code. Connect any LLM, edit code, run commands, and verify changes — autonomously. Built in Rust for speed. Get StartedRust0191
cann-learning-hubCANN 学习中心仓,支持在线互动运行、边学边练,提供教程、示例与优化方案,一站式助力昇腾开发者快速上手。Jupyter Notebook0116
Step-3.7-FlashStep-3.7-Flash是一个拥有 1980 亿参数的稀疏混合专家(MoE)视觉语言模型,由 1960 亿参数的语言主干网络和 18 亿参数的视觉编码器组合而成,具备原生图像理解能力。Python00
JoyAI-EchoJoyAI-Echo,这是一个独立的、仅用于推理的版本,旨在实现分钟级多镜头音视频生成。它采用了经过蒸馏的DMD生成器、配对的跨模态记忆以及故事级别的一致性。其性能的核心在于,一个跨模态视听记忆库能够在长达五分钟的视频中保持角色外观和语音音色的一致性。同时,一个训练后处理流程将基于记忆的强化学习与分布匹配蒸馏相结合,实现了7.5倍的速度提升,显著增强了视觉质量和对齐效果。00
omega-aiOmega-AI:基于java打造的深度学习框架,帮助你快速搭建神经网络,实现模型推理与训练,引擎支持自动求导,多线程与GPU运算,GPU支持CUDA,CUDNN。Java04
llm-universe本项目是一个面向小白开发者的大模型应用开发教程,在线阅读地址:https://datawhalechina.github.io/llm-universe/Jupyter Notebook08