PromptLab扩展中Action Script输入变量的使用技巧
2025-06-04 14:08:23作者:董斯意
在Raycast的PromptLab扩展开发过程中,开发者经常会遇到需要在Action Script中获取用户输入文本的需求。本文将通过一个实际案例,深入探讨PromptLab中变量传递的机制和最佳实践。
问题背景
当开发者创建自定义命令时,通常会设计一个AI处理流程:首先获取用户选中的文本(selectedText),经过AI处理后生成响应(response),最后可能需要将这些信息保存到文件中。在这个过程中,如何将初始输入文本传递给后续的Action Script成为了一个关键问题。
变量传递机制分析
PromptLab提供了两种主要的变量传递方式:
-
传统环境变量方式:通过
$input变量传递,这种方式实际上获取的是通过QuickLink输入参数传递的文本,而不是模板中的{{selectedText}}值。 -
模板占位符方式:直接使用
{{selectedText}}这样的占位符语法,这种方式会在脚本执行时动态获取当前的选中文本值。
技术实现对比
| 方式 | 优点 | 缺点 | 适用场景 |
|---|---|---|---|
$input变量 |
简单直接 | 只能获取QuickLink输入 | 简单命令处理 |
{{selectedText}}占位符 |
动态获取最新值 | 值可能随时间变化 | 需要精确获取输入文本的场景 |
最佳实践建议
-
对于需要精确获取初始输入文本的场景,推荐使用模板占位符方式,如
/script.sh "{{selectedText}}" "$response"。 -
注意时效性问题:占位符方式获取的是执行时的当前值,如果用户在AI处理过程中改变了选中文本,获取的值也会相应变化。
-
未来改进方向:PromptLab可能会改进这一机制,使Action Script能够访问发送给模型的原始占位符值,这将提供更一致的开发体验。
实际应用示例
以下是一个完整的英语文本校正命令实现示例:
# 提示词模板
"You are the English teacher. Try to fix typo, grammar and repeats for the text. Keep original meaning.
Input text: "{{selectedText}}"
As result, give only result text."
# 动作脚本
/save_corrections.sh "{{selectedText}}" "$response"
这种方式确保了原始输入文本和AI校正结果都能被准确记录,非常适合用于学习分析和内容存档等场景。
通过理解PromptLab的这些特性,开发者可以构建更可靠、功能更丰富的自定义命令,提升工作效率和用户体验。
登录后查看全文
热门项目推荐
ERNIE-4.5-VL-28B-A3B-ThinkingERNIE-4.5-VL-28B-A3B-Thinking 是 ERNIE-4.5-VL-28B-A3B 架构的重大升级,通过中期大规模视觉-语言推理数据训练,显著提升了模型的表征能力和模态对齐,实现了多模态推理能力的突破性飞跃Python00
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
MiniMax-M2MiniMax-M2是MiniMaxAI开源的高效MoE模型,2300亿总参数中仅激活100亿,却在编码和智能体任务上表现卓越。它支持多文件编辑、终端操作和复杂工具链调用Python00
HunyuanVideo-1.5HunyuanVideo-1.5作为一款轻量级视频生成模型,仅需83亿参数即可提供顶级画质,大幅降低使用门槛。该模型在消费级显卡上运行流畅,让每位开发者和创作者都能轻松使用。本代码库提供生成创意视频所需的实现方案与工具集。00
MiniCPM-V-4_5MiniCPM-V 4.5 是 MiniCPM-V 系列中最新且功能最强的模型。该模型基于 Qwen3-8B 和 SigLIP2-400M 构建,总参数量为 80 亿。与之前的 MiniCPM-V 和 MiniCPM-o 模型相比,它在性能上有显著提升,并引入了新的实用功能Python00
GOT-OCR-2.0-hf阶跃星辰StepFun推出的GOT-OCR-2.0-hf是一款强大的多语言OCR开源模型,支持从普通文档到复杂场景的文字识别。它能精准处理表格、图表、数学公式、几何图形甚至乐谱等特殊内容,输出结果可通过第三方工具渲染成多种格式。模型支持1024×1024高分辨率输入,具备多页批量处理、动态分块识别和交互式区域选择等创新功能,用户可通过坐标或颜色指定识别区域。基于Apache 2.0协议开源,提供Hugging Face演示和完整代码,适用于学术研究到工业应用的广泛场景,为OCR领域带来突破性解决方案。00
最新内容推荐
IEC61850建模工具及示例资源:智能电网自动化配置的完整指南 TextAnimator for Unity:打造专业级文字动画效果的终极解决方案 全球GEOJSON地理数据资源下载指南 - 高效获取地理空间数据的完整解决方案 全球36个生物多样性热点地区KML矢量图资源详解与应用指南 PANTONE潘通AI色板库:设计师必备的色彩管理利器 OMNeT++中文使用手册:网络仿真的终极指南与实用教程 深入解析Windows内核模式驱动管理器:系统驱动管理的终极利器 咖啡豆识别数据集:AI目标检测在咖啡质量控制中的革命性应用 LabVIEW串口通信开发全攻略:从入门到精通的完整解决方案 PhysioNet医学研究数据库:临床数据分析与生物信号处理的权威资源指南
项目优选
收起
deepin linux kernel
C
24
8
暂无简介
Dart
643
149
Ascend Extension for PyTorch
Python
203
219
本项目是CANN提供的数学类基础计算算子库,实现网络在NPU上加速计算。
C++
654
282
React Native鸿蒙化仓库
JavaScript
248
317
Nop Platform 2.0是基于可逆计算理论实现的采用面向语言编程范式的新一代低代码开发平台,包含基于全新原理从零开始研发的GraphQL引擎、ORM引擎、工作流引擎、报表引擎、规则引擎、批处理引引擎等完整设计。nop-entropy是它的后端部分,采用java语言实现,可选择集成Spring框架或者Quarkus框架。中小企业可以免费商用
Java
9
1
🎉 (RuoYi)官方仓库 基于SpringBoot,Spring Security,JWT,Vue3 & Vite、Element Plus 的前后端分离权限管理系统
Vue
1.13 K
631
本项目是CANN提供的是一款高效、可靠的Transformer加速库,基于华为Ascend AI处理器,提供Transformer定制化场景的高性能融合算子。
C++
77
100
仓颉编译器源码及 cjdb 调试工具。
C++
130
861
仓颉编程语言运行时与标准库。
Cangjie
134
873