Just项目:如何优雅地列出和选择配方路径
在软件开发过程中,我们经常需要使用命令行工具来执行各种任务。Just是一个现代的类似Make的命令运行器,它通过Justfile文件定义各种配方(recipes),帮助开发者更高效地管理项目任务。
问题背景
在日常开发中,开发者经常需要快速查找和执行Justfile中定义的配方。特别是当项目规模较大、配方数量较多时,如何高效地浏览和选择配方成为一个实际需求。一位开发者最初尝试通过Python脚本解析Just的JSON输出来获取配方路径,然后结合fzf工具进行交互式选择,但发现这个过程可以更简化。
更简单的解决方案
实际上,Just本身就提供了--summary参数,可以直接输出所有配方的完整路径列表,以空格分隔。这个功能完美解决了获取配方路径的基本需求,无需额外的解析脚本。
基于这个发现,我们可以构建一个更简洁的Zsh函数来实现配方选择和执行:
juc () {
OUTPUT=$(just --summary|tr ' ' '\n'|fzf -i --preview 'just --unstable --show {}' --preview-window="down")
tmux rename-window "[$OUTPUT]"
print -z "just $OUTPUT"
}
这个函数实现了以下功能:
- 使用
just --summary获取所有配方路径 - 将空格分隔的列表转换为每行一个配方
- 通过fzf提供交互式选择界面
- 在选择时预览配方的具体内容
- 将选中的配方输出到命令行提示符,方便编辑参数
- 同时更新tmux窗口名称以显示当前任务
技术要点解析
-
just --summary:这是Just提供的内置功能,直接输出所有可用配方的完整路径,比解析JSON输出更高效可靠。
-
fzf集成:fzf是一个强大的命令行模糊查找工具,与Just配合可以实现:
- 交互式配方选择
- 实时预览配方内容
- 支持模糊搜索
-
print -z:这个Zsh内置命令将内容插入到命令行缓冲区,允许用户在执行前编辑命令,特别适合需要添加参数的场景。
-
tmux集成:自动更新窗口名称有助于在多任务环境下保持工作环境的有序性。
实际应用价值
这个解决方案特别适合以下场景:
- 大型项目包含数十个甚至上百个配方
- 配方名称较长或包含子模块层级
- 需要频繁执行不同配方但记不清完整路径
- 配方需要动态参数的情况
通过这种交互式选择方式,开发者可以:
- 快速定位所需配方
- 在执行前预览配方内容
- 方便地添加执行参数
- 保持清晰的工作环境状态
总结
Just项目通过简单的--summary参数提供了获取配方路径的有效方式,结合现代命令行工具如fzf,我们可以构建出高效的工作流。这种方案避免了复杂的脚本解析,直接利用现有工具的功能组合,体现了Unix哲学中"组合简单工具"的思想。对于使用Just管理项目的开发者来说,掌握这种技巧可以显著提升日常工作效率。
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