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。
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