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。
GLM-5.1GLM-5.1是智谱迄今最智能的旗舰模型,也是目前全球最强的开源模型。GLM-5.1大大提高了代码能力,在完成长程任务方面提升尤为显著。和此前分钟级交互的模型不同,它能够在一次任务中独立、持续工作超过8小时,期间自主规划、执行、自我进化,最终交付完整的工程级成果。Jinja00
MiniMax-M2.7MiniMax-M2.7 是我们首个深度参与自身进化过程的模型。M2.7 具备构建复杂智能体应用框架的能力,能够借助智能体团队、复杂技能以及动态工具搜索,完成高度精细的生产力任务。Python00- QQwen3.5-397B-A17BQwen3.5 实现了重大飞跃,整合了多模态学习、架构效率、强化学习规模以及全球可访问性等方面的突破性进展,旨在为开发者和企业赋予前所未有的能力与效率。Jinja00
HY-Embodied-0.5这是一套专为现实世界具身智能打造的基础模型。该系列模型采用创新的混合Transformer(Mixture-of-Transformers, MoT) 架构,通过潜在令牌实现模态特异性计算,显著提升了细粒度感知能力。Jinja00
LongCat-AudioDiT-1BLongCat-AudioDiT 是一款基于扩散模型的文本转语音(TTS)模型,代表了当前该领域的最高水平(SOTA),它直接在波形潜空间中进行操作。00
ERNIE-ImageERNIE-Image 是由百度 ERNIE-Image 团队开发的开源文本到图像生成模型。它基于单流扩散 Transformer(DiT)构建,并配备了轻量级的提示增强器,可将用户的简短输入扩展为更丰富的结构化描述。凭借仅 80 亿的 DiT 参数,它在开源文本到图像模型中达到了最先进的性能。该模型的设计不仅追求强大的视觉质量,还注重实际生成场景中的可控性,在这些场景中,准确的内容呈现与美观同等重要。特别是,ERNIE-Image 在复杂指令遵循、文本渲染和结构化图像生成方面表现出色,使其非常适合商业海报、漫画、多格布局以及其他需要兼具视觉质量和精确控制的内容创作任务。它还支持广泛的视觉风格,包括写实摄影、设计导向图像以及更多风格化的美学输出。Jinja00