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 17:23:58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
kernelopenEuler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。C045
MiniMax-M2.1从多语言软件开发自动化到复杂多步骤办公流程执行,MiniMax-M2.1 助力开发者构建下一代自主应用——全程保持完全透明、可控且易于获取。Python00
kylin-wayland-compositorkylin-wayland-compositor或kylin-wlcom(以下简称kywc)是一个基于wlroots编写的wayland合成器。 目前积极开发中,并作为默认显示服务器随openKylin系统发布。 该项目使用开源协议GPL-1.0-or-later,项目中来源于其他开源项目的文件或代码片段遵守原开源协议要求。C01
PaddleOCR-VLPaddleOCR-VL 是一款顶尖且资源高效的文档解析专用模型。其核心组件为 PaddleOCR-VL-0.9B,这是一款精简却功能强大的视觉语言模型(VLM)。该模型融合了 NaViT 风格的动态分辨率视觉编码器与 ERNIE-4.5-0.3B 语言模型,可实现精准的元素识别。Python00
GLM-4.7GLM-4.7上线并开源。新版本面向Coding场景强化了编码能力、长程任务规划与工具协同,并在多项主流公开基准测试中取得开源模型中的领先表现。 目前,GLM-4.7已通过BigModel.cn提供API,并在z.ai全栈开发模式中上线Skills模块,支持多模态任务的统一规划与协作。Jinja00
agent-studioopenJiuwen agent-studio提供零码、低码可视化开发和工作流编排,模型、知识库、插件等各资源管理能力TSX0122
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
项目优选
收起
deepin linux kernel
C
26
10
OpenHarmony documentation | OpenHarmony开发者文档
Dockerfile
435
3.3 K
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
🔥LeetCode solutions in any programming language | 多种编程语言实现 LeetCode、《剑指 Offer(第 2 版)》、《程序员面试金典(第 6 版)》题解
Java
65
19
暂无简介
Dart
699
162
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++
696
374
喝着茶写代码!最易用的自托管一站式代码托管平台,包含Git托管,代码审查,团队协作,软件包和CI/CD。
Go
23
0
🎉 (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
1.23 K
675
Ascend Extension for PyTorch
Python
243
281
React Native鸿蒙化仓库
JavaScript
271
328