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智谱 AI 正式发布 GLM-5,旨在应对复杂系统工程和长时域智能体任务。Jinja00
GLM-5-w4a8GLM-5-w4a8基于混合专家架构,专为复杂系统工程与长周期智能体任务设计。支持单/多节点部署,适配Atlas 800T A3,采用w4a8量化技术,结合vLLM推理优化,高效平衡性能与精度,助力智能应用开发Jinja00
请把这个活动推给顶尖程序员😎本次活动专为懂行的顶尖程序员量身打造,聚焦AtomGit首发开源模型的实际应用与深度测评,拒绝大众化浅层体验,邀请具备扎实技术功底、开源经验或模型测评能力的顶尖开发者,深度参与模型体验、性能测评,通过发布技术帖子、提交测评报告、上传实践项目成果等形式,挖掘模型核心价值,共建AtomGit开源模型生态,彰显顶尖程序员的技术洞察力与实践能力。00
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
MiniMax-M2.5MiniMax-M2.5开源模型,经数十万复杂环境强化训练,在代码生成、工具调用、办公自动化等经济价值任务中表现卓越。SWE-Bench Verified得分80.2%,Multi-SWE-Bench达51.3%,BrowseComp获76.3%。推理速度比M2.1快37%,与Claude Opus 4.6相当,每小时仅需0.3-1美元,成本仅为同类模型1/10-1/20,为智能应用开发提供高效经济选择。【此简介由AI生成】Python00
Qwen3.5Qwen3.5 昇腾 vLLM 部署教程。Qwen3.5 是 Qwen 系列最新的旗舰多模态模型,采用 MoE(混合专家)架构,在保持强大模型能力的同时显著降低了推理成本。00- RRing-2.5-1TRing-2.5-1T:全球首个基于混合线性注意力架构的开源万亿参数思考模型。Python00