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
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- 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
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
ruoyi-plus-soybeanRuoYi-Plus-Soybean 是一个现代化的企业级多租户管理系统,它结合了 RuoYi-Vue-Plus 的强大后端功能和 Soybean Admin 的现代化前端特性,为开发者提供了完整的企业管理解决方案。Vue06- 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
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
项目优选
收起
deepin linux kernel
C
27
11
OpenHarmony documentation | OpenHarmony开发者文档
Dockerfile
570
3.85 K
Ascend Extension for PyTorch
Python
387
458
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++
894
680
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
354
212
昇腾LLM分布式训练框架
Python
120
146
暂无简介
Dart
805
198
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
12
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
68
20
🎉 (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
1.37 K
781