PSAppDeployToolkit中Get-ADTRunningProcesses函数参数传递问题解析
问题背景
在使用PSAppDeployToolkit 4.0.4版本进行应用程序部署时,开发人员发现Show-ADTInstallationWelcome命令配合-CloseProcesses参数使用时,无法正确检测到正在运行的指定进程。具体表现为当Microsoft Edge、Teams等应用程序运行时,工具却报告"Specified applications are not running",导致无法按预期关闭这些进程。
问题本质
这个问题的根源在于参数传递方式不正确。在PSAppDeployToolkit v3版本中存在一个设计缺陷,允许将多个进程名称作为一个单独的字符串参数传递(如'msedge,MicrosoftEdge,MicrosoftEdgeCP')。然而在v4版本中,这种传递方式会导致函数无法正确解析进程列表。
正确使用方法
正确的参数传递方式应该是将每个进程名称作为独立的字符串元素传递,而不是将它们合并为一个逗号分隔的字符串。以下是两种正确的写法:
- 使用数组语法:
Show-ADTInstallationWelcome -CloseProcesses 'msedge','MicrosoftEdge','MicrosoftEdgeCP','MicrosoftEdgeSH','ms-teams','msedgewebview2' -ForceCloseProcessesCountdown 1800 -PersistPrompt -BlockExecution
- 使用展开运算符:
$processesToClose = 'msedge','MicrosoftEdge','MicrosoftEdgeCP','MicrosoftEdgeSH','ms-teams','msedgewebview2'
Show-ADTInstallationWelcome -CloseProcesses $processesToClose -ForceCloseProcessesCountdown 1800 -PersistPrompt -BlockExecution
技术原理
在PowerShell中,当传递一个包含逗号的字符串时,函数接收到的是一个单一的字符串对象。而Get-ADTRunningProcesses函数期望接收的是一个字符串数组,它会将每个数组元素与正在运行的进程进行比较。
当传递'msedge,MicrosoftEdge'这样的参数时,函数会尝试查找名为"msedge,MicrosoftEdge"的进程(包含逗号的全名),而不是分别查找"msedge"和"MicrosoftEdge"两个进程。
版本兼容性说明
这个问题特别值得注意,因为在PSAppDeployToolkit v3版本中,这种逗号分隔的字符串传递方式是被接受的。但在v4版本中,为了遵循更严格的PowerShell最佳实践,改为了要求使用正确的数组传递方式。这种变化可能导致从v3升级到v4的用户遇到兼容性问题。
最佳实践建议
- 始终使用数组形式传递多个进程名称
- 对于需要动态构建进程列表的情况,使用数组变量存储后再传递
- 在脚本中添加参数验证逻辑,确保传递的参数类型正确
- 在从v3升级到v4时,检查所有使用
-CloseProcesses参数的地方并进行相应修改
通过遵循这些最佳实践,可以确保进程检测功能在各种环境下都能可靠工作。
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