在Inquirer.js中动态引用前序问题的答案作为后续问题提示
2025-05-10 17:55:02作者:何举烈Damon
在开发命令行交互工具时,我们经常需要根据用户前一个问题的回答来动态调整后续问题的提示内容。Inquirer.js作为Node.js中流行的交互式命令行工具库,提供了灵活的方式来实现这一需求。
基本实现原理
Inquirer.js允许我们将问题分解为多个独立的prompt调用,通过JavaScript的异步特性,我们可以先获取第一个问题的答案,然后在第二个问题的配置中使用这个值:
const inquirer = require('inquirer');
// 第一个问题 - 列表选择
const { fruit } = await inquirer.prompt([
{
type: 'list',
name: 'fruit',
message: '请选择你喜欢的水果:',
choices: ['苹果', '香蕉', '橙子']
}
]);
// 第二个问题 - 使用第一个问题的答案
const { quantity } = await inquirer.prompt([
{
type: 'number',
name: 'quantity',
message: `你选择了${fruit},想买多少斤?`,
validate: input => input > 0 || '请输入正数'
}
]);
console.log(`订单确认: ${quantity}斤${fruit}`);
高级用法
动态选项生成
除了在message中使用前序答案,我们还可以基于前序答案动态生成选项:
const { category } = await inquirer.prompt([
{
type: 'list',
name: 'category',
message: '请选择商品类别:',
choices: ['水果', '蔬菜', '肉类']
}
]);
// 根据类别动态生成子选项
const subCategories = {
'水果': ['苹果', '香蕉', '橙子'],
'蔬菜': ['白菜', '萝卜', '土豆'],
'肉类': ['猪肉', '牛肉', '鸡肉']
};
const { subCategory } = await inquirer.prompt([
{
type: 'list',
name: 'subCategory',
message: `请选择${category}子类:`,
choices: subCategories[category]
}
]);
条件式问题流
我们可以结合前序答案决定是否提出某些问题:
const { needsDelivery } = await inquirer.prompt([
{
type: 'confirm',
name: 'needsDelivery',
message: '是否需要配送服务?'
}
]);
let deliveryInfo = {};
if (needsDelivery) {
deliveryInfo = await inquirer.prompt([
{
type: 'input',
name: 'address',
message: '请输入配送地址:'
},
{
type: 'input',
name: 'contact',
message: '请输入联系方式:'
}
]);
}
最佳实践
- 错误处理:始终对异步操作使用try-catch块
- 输入验证:利用Inquirer的validate功能确保数据有效性
- 代码组织:对于复杂的问题流,考虑将问题分组到单独的函数或模块中
- 用户体验:在动态消息中保持一致的格式和语气
通过合理利用Inquirer.js的这些特性,开发者可以创建出高度动态化、用户友好的命令行交互体验,使应用程序能够根据用户的实际输入提供上下文相关的后续问题。
登录后查看全文
热门项目推荐
相关项目推荐
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 Notebook0118
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
fun-rec推荐系统入门教程,在线阅读地址:https://datawhalechina.github.io/fun-rec/Python03
so-large-lm大模型基础: 一文了解大模型基础知识01
项目优选
收起
暂无描述
Dockerfile
765
4.97 K
本项目是CANN提供的transformer类大模型算子库,实现网络在NPU上加速计算。
C++
857
1.93 K
本项目是CANN提供的神经网络类计算算子库,实现网络在NPU上加速计算。
C++
680
1.33 K
Ascend Extension for PyTorch
Python
719
879
deepin linux kernel
C
32
16
openEuler内核是openEuler操作系统的核心,既是系统性能与稳定性的基石,也是连接处理器、设备与服务的桥梁。
C
456
438
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++
1.08 K
1.1 K
华为昇腾面向大规模分布式训练的多模态大模型套件,支撑多模态生成、多模态理解。
Python
151
252
CANN 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 Notebook
303
118
昇腾LLM分布式训练框架
Python
178
220