探索智能命令行补全:inquirer-autocomplete-standalone
2024-05-20 15:06:09作者:胡易黎Nicole
在CLI中实现智能命令行补全从未如此简单!
inquirer-autocomplete-standalone 是一个基于 inquirer 的独立命令行自动补全提示插件。它能根据用户的输入动态显示列表选择项,无论是同步还是异步,甚至可以连接到外部服务获取实时数据。
安装
要安装这个强大的工具,只需一条简单的命令:
npm install inquirer-autocomplete-standalone
对于CommonJS环境,请按照以下方式导入:
const { default: autocomplete, Separator } = await import('inquirer-autocomplete-standalone');
如果你还在使用旧版的inquirer(版本9以下),则可以找到 inquirer-autocomplete-prompt ,但官方推荐升级到新版本以获得更好的体验和性能。
快速体验
想要立即试一试?运行下面的命令,开启你的智能补全之旅:
npx inquirer-autocomplete-demo
使用示例
让我们通过一个例子来了解如何使用这个库:
import autocomplete from 'inquirer-autocomplete-standalone';
import { searchCountries } from './some-external-api'; // 假设这是一个返回国家列表的API
const answer = await autocomplete({
message: 'Travel from what country?',
source: async (input) => {
const filteredCountries = await searchCountries(input);
return filteredCountries.map((country) => ({
value: country,
description: `${country} is a great place to visit`,
}));
},
});
// 用户搜索并从列表中选择一个国家
console.log(answer); // 输出:Norway
这将展示一个交互式界面,用户输入时会实时过滤并显示匹配的国家。
功能特性
- 支持异步和同步的数据源函数,可以根据用户输入动态更新选项。
- 提供自定义的值转换器(transformer)进行视觉格式化,但不影响实际答案。
- 自定义验证功能,确保用户输入的有效性。
- 显示分隔符,方便组织选项列表。
- 选项列表支持页面滚动,方便浏览长列表。
- 提供默认值设置。
选项详解
以下是你可以配置的一些主要选项及其说明:
message:提问的文本。source:根据用户输入提供选项的函数。transformer:用于格式化用户输入的字符串。validate:提交答案时进行验证的函数。default:默认选定的值或选择项。emptyText:当没有搜索结果时显示的文本。pageSize:控制单页显示的选择项数量。searchText:等待搜索结果时显示的文本。suggestOnly:是否允许直接使用输入内容作为答案,而不必从列表中选择。
选择项类型与描述
每个选项都可以包含 value、name、description 和 disabled 属性,其中:
value是最终的回答值。name用于显示。description可选地提供额外信息。disabled可禁用选项。
此外,还可以添加 Separator 来分组选项,增强可读性。
致谢与许可
感谢 Martin Hansen 创建了这个出色项目,并采用 ISC 许可证发布。
结论
inquirer-autocomplete-standalone 是构建强大命令行应用的理想选择,无论你是想为内部工具增添智能提示,还是希望提升用户在CLI中的交互体验。现在就开始集成它,让命令行操作变得更加高效和便捷。
登录后查看全文
热门项目推荐
GLM-5.1GLM-5.1是智谱迄今最智能的旗舰模型,也是目前全球最强的开源模型。GLM-5.1大大提高了代码能力,在完成长程任务方面提升尤为显著。和此前分钟级交互的模型不同,它能够在一次任务中独立、持续工作超过8小时,期间自主规划、执行、自我进化,最终交付完整的工程级成果。Jinja00
MiniMax-M2.7MiniMax-M2.7 是我们首个深度参与自身进化过程的模型。M2.7 具备构建复杂智能体应用框架的能力,能够借助智能体团队、复杂技能以及动态工具搜索,完成高度精细的生产力任务。Python00- 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
HY-Embodied-0.5这是一套专为现实世界具身智能打造的基础模型。该系列模型采用创新的混合Transformer(Mixture-of-Transformers, MoT) 架构,通过潜在令牌实现模态特异性计算,显著提升了细粒度感知能力。Jinja00
LongCat-AudioDiT-1BLongCat-AudioDiT 是一款基于扩散模型的文本转语音(TTS)模型,代表了当前该领域的最高水平(SOTA),它直接在波形潜空间中进行操作。00
ERNIE-ImageERNIE-Image 是由百度 ERNIE-Image 团队开发的开源文本到图像生成模型。它基于单流扩散 Transformer(DiT)构建,并配备了轻量级的提示增强器,可将用户的简短输入扩展为更丰富的结构化描述。凭借仅 80 亿的 DiT 参数,它在开源文本到图像模型中达到了最先进的性能。该模型的设计不仅追求强大的视觉质量,还注重实际生成场景中的可控性,在这些场景中,准确的内容呈现与美观同等重要。特别是,ERNIE-Image 在复杂指令遵循、文本渲染和结构化图像生成方面表现出色,使其非常适合商业海报、漫画、多格布局以及其他需要兼具视觉质量和精确控制的内容创作任务。它还支持广泛的视觉风格,包括写实摄影、设计导向图像以及更多风格化的美学输出。Jinja00
项目优选
收起
暂无描述
Dockerfile
674
4.31 K
deepin linux kernel
C
28
16
Ascend Extension for PyTorch
Python
517
626
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++
945
886
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
398
301
🎉 (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
1.56 K
908
暂无简介
Dart
920
225
Oohos_react_native
React Native鸿蒙化仓库
C++
335
381
昇腾LLM分布式训练框架
Python
142
169
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
133
212