.NET Interactive 魔法命令 API 重构解析
背景与动机
.NET Interactive 项目近期对其魔法命令(magic command)系统进行了重大重构。这一重构源于两个关键因素:首先,原先依赖的 System.CommandLine 库正在进行架构调整,部分功能将被移除;其次,.NET Interactive 自身的输入系统正在经历一系列改进,需要更灵活的语法支持。
魔法命令是 Jupyter 风格笔记本中的特殊指令,以 #! 开头,用于执行非代码操作或配置内核行为。此次重构旨在提供更简洁、更强大的 API,同时保持对现有用户脚本的向后兼容性。
核心变更点
参数模型简化
原先基于 POSIX 命令行概念的"选项"(options)和"参数"(arguments)现在统一为"参数"(parameters)概念。新的 KernelDirectiveParameter 类型取代了之前的区分设计,使 API 更加直观。
移除的特性
重构移除了以下不太常用或增加复杂度的功能:
- 不再支持多个未命名参数
- 移除了 Windows 风格的
/参数前缀 - 仅保留空格分隔的参数语法
- 不再支持 POSIX 风格的选项捆绑
- 移除了最小出现次数的配置
- 不再支持魔法命令的内置帮助系统
新增功能
新系统引入了多项实用改进:
- 支持内联 JSON 作为参数值
- 允许 JSON 配置输入提示(如
@input) - 直接在参数上指定类型提示
- 更精细的错误诊断标记
- 更丰富的自动完成支持
执行模型重构
从 Handler 到 KernelCommand
原先基于 System.CommandLine 的 Handler 机制被替换为更符合 .NET Interactive 整体架构的 KernelCommand 模型。魔法命令现在会被解析为特定的命令对象,通过标准的 Kernel.SendAsync 方法执行。
这种设计带来了额外优势:魔法命令和程序化 API 现在可以相互转换。例如,#r "nuget: Plotly.NET, 5.0.0" 现在对应一个 AddPackage 命令,可以直接通过代码发送。
JSON 序列化支持
新系统使用 System.Text.Json 来处理命令参数的序列化。开发者可以通过标准 JSON 属性来自定义反序列化行为,这比原先的定制绑定方案更加灵活和强大。
SubmitCode 参数支持
对于需要参数化的代码提交(如 T-SQL 和 KQL 内核),新增了 SubmitCode.Parameters 属性。这解决了原先必须通过魔法命令指定参数的局限,为未来 UI 集成提供了更好的基础。
开发者迁移指南
对于扩展开发者,迁移到新 API 主要涉及以下变化:
- 使用
KernelActionDirective替代原先的命令定义 - 通过
KernelDirectiveParameter配置参数 - 定义自定义命令类型并实现处理逻辑
- 利用 System.Text.Json 特性控制序列化行为
示例代码如下:
// 定义参数
var param = new KernelDirectiveParameter("name")
{
Description = "参数描述",
Required = true
};
// 创建指令
var directive = new KernelActionDirective("#!demo")
{
Parameters = { param }
};
// 注册处理程序
kernel.AddDirective<DemoCommand>(
directive,
async (command, context) =>
{
// 处理逻辑
});
总结
.NET Interactive 的魔法命令重构代表了该项目向更统一、更强大的架构演进的重要一步。通过简化概念模型、增强 JSON 支持、统一执行路径,新系统既降低了学习曲线,又提供了更丰富的功能扩展点。虽然带来了一些兼容性变化,但这些改进为未来的功能扩展奠定了更坚实的基础。
对于现有用户,大多数魔法命令语法仍然保持兼容;对于扩展开发者,新的 API 提供了更符合 .NET Interactive 整体架构的编程模型。这一变化是 .NET Interactive 成熟过程中的重要里程碑,将使其在交互式计算领域保持竞争力。
AutoGLM-Phone-9BAutoGLM-Phone-9B是基于AutoGLM构建的移动智能助手框架,依托多模态感知理解手机屏幕并执行自动化操作。Jinja00
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
GLM-4.6V-FP8GLM-4.6V-FP8是GLM-V系列开源模型,支持128K上下文窗口,融合原生多模态函数调用能力,实现从视觉感知到执行的闭环。具备文档理解、图文生成、前端重构等功能,适用于云集群与本地部署,在同类参数规模中视觉理解性能领先。Jinja00
HunyuanOCRHunyuanOCR 是基于混元原生多模态架构打造的领先端到端 OCR 专家级视觉语言模型。它采用仅 10 亿参数的轻量化设计,在业界多项基准测试中取得了当前最佳性能。该模型不仅精通复杂多语言文档解析,还在文本检测与识别、开放域信息抽取、视频字幕提取及图片翻译等实际应用场景中表现卓越。00
GLM-ASR-Nano-2512GLM-ASR-Nano-2512 是一款稳健的开源语音识别模型,参数规模为 15 亿。该模型专为应对真实场景的复杂性而设计,在保持紧凑体量的同时,多项基准测试表现优于 OpenAI Whisper V3。Python00
GLM-TTSGLM-TTS 是一款基于大语言模型的高质量文本转语音(TTS)合成系统,支持零样本语音克隆和流式推理。该系统采用两阶段架构,结合了用于语音 token 生成的大语言模型(LLM)和用于波形合成的流匹配(Flow Matching)模型。 通过引入多奖励强化学习框架,GLM-TTS 显著提升了合成语音的表现力,相比传统 TTS 系统实现了更自然的情感控制。Python00
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