Moon项目任务执行新特性:支持通配符匹配任务名称
2025-06-26 00:59:23作者:幸俭卉
在Moon项目构建系统中,开发者经常需要同时执行多个遵循特定命名模式的任务。传统方式需要逐个列出任务名称,这在面对大量相似任务时显得尤为繁琐。最新发布的Moon 1.31版本带来了突破性改进——支持使用通配符进行任务匹配,显著提升了多任务操作的效率。
传统任务执行方式的痛点
假设我们有一个Python多版本测试场景,项目中存在如下测试任务:
- test-3.11
- test-3.10
- test-3.9
按照原有方式,开发者需要完整写出所有任务名称:
moon run core:test-3.11 core:test-3.10 core:test-3.9
这种重复性操作不仅容易出错,在任务数量增加时更会变得难以维护。
通配符解决方案详解
Moon 1.31引入了类Unix的glob模式匹配,支持以下通配符:
*匹配任意数量字符?匹配单个字符[]匹配指定字符范围
现在可以简化为:
moon run 'core:test-*'
或者针对特定版本范围:
moon run 'core:test-3.1?' # 匹配3.10-3.19
moon run 'core:test-3.[7-9]' # 匹配3.7-3.9
技术实现考量
值得注意的是,该特性目前仅支持在moon run和moon ci命令中使用,尚未扩展到任务依赖(deps)定义。这是因为:
- 通配符解析需要完整的项目图(workspace graph)作为查询基础
- 任务依赖解析恰发生在构建项目图的过程中
- 这种时序依赖会导致循环解析问题
最佳实践建议
对于需要聚合多个变体任务的场景,推荐采用混合方案:
- 在全局配置中定义基础任务模板
- 在各项目中定义具体版本任务
- 使用通配符命令按需执行,避免维护聚合任务
例如全局配置可包含:
# .moon/tasks.yml
_test:
command: pytest
options:
internal: true
项目配置则继承并特化:
# core/moon.yml
tasks:
test-3.11:
extends: _test
args: ['--extra-package=python-3.11']
版本兼容性说明
该特性需要Moon 1.31及以上版本。由于通配符在任务名称中原本就是禁止使用的字符,因此不会产生二义性问题。开发者可以安全地在现有项目中使用此功能,无需担心与已有任务命名冲突。
这一改进特别适合以下场景:
- 多版本并行测试
- 多环境构建
- 按功能模块批量执行
- 临时性的任务组合执行
通过引入通配符支持,Moon进一步强化了其作为现代化构建工具的核心优势——在保持配置简洁性的同时,提供强大的批量操作能力。
登录后查看全文
热门项目推荐
相关项目推荐
atomcodeClaude Code 的开源替代方案。连接任意大模型,编辑代码,运行命令,自动验证 — 全自动执行。用 Rust 构建,极致性能。 | An open-source alternative to Claude Code. Connect any LLM, edit code, run commands, and verify changes — autonomously. Built in Rust for speed. Get StartedRust0449
源启盛夏_AtomGit暑期开发者成长计划「源启盛夏」暑期校园开发者成长计划旨在激活校园开源力量,通过积分激励、认证扶持、资源倾斜等形式,引导高校组织和开发者完成「入驻 — 建项目 — 做贡献 — 获认证 — 得资源」的完整闭环。无论你是想带领社团入驻平台的组织者,还是希望用代码贡献证明自己的开发者,都能在这里找到属于你的成长路径。Markdown00
XianyuAutoAgent智能闲鱼客服机器人系统:专为闲鱼平台打造的AI值守解决方案,实现闲鱼平台7×24小时自动化值守,支持多专家协同决策、智能议价和上下文感知对话。Python03
new-apiAI模型聚合管理中转分发系统,一个应用管理您的所有AI模型,支持将多种大模型转为统一格式调用,支持OpenAI、Claude、Gemini等格式,可供个人或者企业内部管理与分发渠道使用。🍥 A Unified AI Model Management & Distribution System. Aggregate all your LLMs into one app and access them via an OpenAI-compatible API, with native support for Claude (Messages) and Gemini formats.TSX026
AscendNPU-IRAscendNPU-IR是基于MLIR(Multi-Level Intermediate Representation)构建的,面向昇腾亲和算子编译时使用的中间表示,提供昇腾完备表达能力,通过编译优化提升昇腾AI处理器计算效率,支持通过生态框架使能昇腾AI处理器与深度调优C++0313
mllm轻量化的端侧多模态推理框架,支持多种硬件后端https://ubiquitouslearning.github.io/mllm/C++00
热门内容推荐
最新内容推荐
项目优选
收起
暂无描述
Markdown
828
5.49 K
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
494
518
本项目是CANN提供的神经网络类计算算子库,实现网络在NPU上加速计算。
C++
786
1.58 K
作为 Ascend for PyTorch 社区的核心组件,TorchNPU 是昇腾专为 PyTorch 打造的深度学习适配插件,使 PyTorch 框架能够直接调用昇腾 NPU,为开发者提供昇腾 AI 处理器的超强算力。
Python
803
1.14 K
本项目是CANN提供的transformer类大模型算子库,实现网络在NPU上加速计算。
C++
973
2.29 K
deepin linux kernel
C
32
16
AscendNPU-IR是基于MLIR(Multi-Level Intermediate Representation)构建的,面向昇腾亲和算子编译时使用的中间表示,提供昇腾完备表达能力,通过编译优化提升昇腾AI处理器计算效率,支持通过生态框架使能昇腾AI处理器与深度调优
C++
483
313
JiuwenSwarm 是一款基于openJiuwen开发的智能AI Agent,它能够将大语言模型的强大能力,通过你日常使用的各类通讯应用,直接延伸至你的指尖。
Python
3.02 K
769
CANNBot 是面向 CANN 开发的用于提升开发效率的系列智能体,本仓库为其提供可复用的 Skills 模块。
Markdown
1.27 K
814
CANN 学习中心仓,支持在线互动运行、边学边练,提供教程、示例与优化方案,一站式助力昇腾开发者快速上手。
Jupyter Notebook
652
288