Laf Assistant:云开发从未如此爽快!

原文链接:https://forum.laf.run/d/67

工欲善其事,必先利其器。在编写代码时,IDE 也是我们不可或缺的。它可以让我们更高效地完成代码编写,提高开发效率。因此,IDE 是我们编写代码中最亲密的伙伴之一。

虽然 Laf 云开发有简洁的 Web IDE,只要能打开浏览器就可以随处编辑云函数。

Laf Assistant:云开发从未如此爽快!

但很多人还是希望能在 IDE 中编写云函数代码。

得益于 laf-cli 的开发和 API 的开放,Laf 也对本地代码编辑器没有任何强制性的要求,也就意味着 Laf 可以直接使用 VS Code 或者任何编辑器去完成云函数的编写和调试,以及发布和更新。

laf-cli 是一个 npm 模块,可以通过命令行去完成 Laf 云开发的云函数管理、云存储管理等等。借助命令行,我编写了一个 VS Code 插件:laf assistant

Laf 直接使用 VS Code 的体验并不那么完美

VS Code 是一款免费、开源、跨平台的代码编辑器,由 Microsoft 开发和维护,插件丰富,功能强大。并且很重要的一个原因是,我自己习惯用 VS Code。也有相当多的开发者也跟我一样习惯使用 VS Code。

laf assistant 出来之前,我尝试用了一段时间的 Laf-cli 模块。每修改一段代码,需要调试的时候,需要输入比较复杂的命令。

比如的云函数名为 :BatchTestDB ,那么我需要在命令行输入:laf func exec BatchTestDB -l 9

Laf Assistant:云开发从未如此爽快!

切换云函数,需要手动改命令。当如果出现大量的 log,体验是这样的。

Laf Assistant:云开发从未如此爽快!

另外一个比较麻烦的问题是,在终端里面输出的内容是不能编辑、也不能折叠代码的。对于输出比较大的 JSON 数据时,查看日志也是非常痛苦的一件事。同时经过一段时间的调试,终端的内容也会越来越多,看得眼花缭乱。

到了发布云函数的时候,也是手动修改命令行才可以完成。

Laf Assistant:云开发从未如此爽快!

而 Laf 云开发的 Web IDE 在云函数的调试、发布和管理上明显会比这种方式更加的方便和简单。为了让优秀的 Web IDE 的优势完美的和本地开发相结合。我动了开发 VS Code 插件的想法。

Laf assistant 的代码编写体验

Laf Assistant:云开发从未如此爽快!

在云函数的编辑框内,点击右键,即可发布、下载或者运行云函数,结合 VS Code 自带的改键功能,比如我自己把运行云函数改键成了 ⌘+F1,每次修改完云函数,保存云函数后,按快捷键 ⌘+F1 即可运行云函数。

Laf Assistant:云开发从未如此爽快!

我把日志输出到了一个全新的文本中,可以随意的编辑和折叠,用起来更加方便了。如果需要保存也可以直接保存到一个文件中,当然也可以关闭这个编辑器丢掉这个日志内容。

代码版本管理和协同

Laf 云开发的 Web IDE 没有代码系统和版本管理。Web IDE 并不会保存所有的修改版本,只是存在了浏览器的本地缓存中,也就意味着如果不小心清理了缓存或者切换浏览器,Web IDE 编辑器内的草稿可能就消失了。同时如果开发的项目有多人协同的需求也会相当麻烦。

在我看来,Web IDE 适合简单的云函数的快速开发和上线发布,以及临时的代码修改。如果遇到复杂的代码情况,就很难跟 VS Code 的本地开发体验相提并论来了。

同时 laf assistant 还可以让前端代码和 Laf 云函数代码在一个项目中管理,实现一个项目管理前后端的全部代码。而且 Web IDE 也无法搜索代码,而如果前后端的代码都在一个项目中,就可以很方便的全局搜索前后端中的代码。

结合 Git 的使用,很方便的就可以实现代码的版本管理。

另外如果需要协同开发,laf assistant 也支持针对不同电脑的同一项目去单独配置 Laf API 地址和 Laf 应用 Appid,每个开发人员就可以在自己的 Laf 应用里面去调试开发,代码上线发布的时候,可以发布到正式应用。避免了测试数据的污染。

laf assistant 的后续升级计划

1、AI 加持

目前接口已经基本实现,通过一段文字描述即可写出直接可用或简单修改即可用的云函数代码,并且如果遇到某个 JS 不会写,某个数据库语法不会写,都可以通过一句话去完成

Laf Assistant:云开发从未如此爽快!

后续在 VS Code 中,仅需要点点鼠标或者快捷键即可通过 AI 去自动完成云函数代码。

2、增加云存储的管理

本地编译的前端代码,可以一键托管到 Laf 的云存储。

3、云函数会增加更多的调试模式

自定义调试的参数。后续还会加上实时日志监听,方便在前端调试时,去查看日志。

4、独立管理面板

点击侧边栏 Laf 的图标,Laf 云开发相关的内容都会集中显示在这里。

5、更多细节优化

所有的开发者也可以给我提优化意见,让 laf-assistant 更加好用,让云开发更加爽快!

原文链接:https://www.cnblogs.com/ryanyangcs/p/17384114.html

本站文章如无特殊说明,均为本站原创,如若转载,请注明出处:Laf Assistant:云开发从未如此爽快! - Python技术站

(0)
上一篇 2023年5月8日
下一篇 2023年5月9日

相关文章

  • PyTorch错误解决:XXX is a zip archive(did you mean to use torch.jit.load()?)

    错误原因: 训练保存模型时,torch的版本是1.6.0(使用torch.__version__可以查看torch的版本号) 而加载模型时,torch的版本号低于1.6.0   解决方案: If for any reason you want torch.save to use the old format, pass the kwarg _use_new_…

    PyTorch 2023年4月7日
    00
  • 深度学习笔记(30):RNN循环神经网络模型总结

    本周的深度学习课程进入了第五课,也就是最后一课。学完这一段,我们应该就会开组会然后讨论下一步的安排了。。。无论如何,该将重心重新挪回到算法,软构,自动机等考试的准备上了。 前言 RNN循环神经网络实际上是一种处理序列的专用网络结构,比如语言等,因为词汇之间的联系和关系以及其所在的位置对实际上的意思是有直接影响的,如果这件事情用神经网络来做的话无法捕捉到具体位…

    2023年4月7日
    00
  • caffe 如何训练自己的数据图片

    申明:此教程加工于 caffe 如何训练自己的数据图片   一、准备数据 有条件的同学,可以去imagenet的官网http://www.image-net.org/download-images,下载imagenet图片来训练。但是我没有下载,一个原因是注册账号的时候,验证码始终出不来(听说是google网站的验证码,而我是上不了google的)。第二个原…

    Caffe 2023年4月7日
    00
  • keras 训练中的Acc由来

    What does the train accuracy mean? What are the test samples? 第一个回答 site: https://github.com/keras-team/keras/issues/877 第二个回答 这里对于training accuracy的描述分个,我更偏向第二种,是针对一个batch (默认32),…

    2023年4月8日
    00
  • 【tensorflow】tf.keras + 神经网络类class 6 步搭建神经网络

    tf.keras + Sequential() 可以搭建出上层输入就是下层输出的顺序网络结构,但是无法写出一些带有跳连的非顺序网络结构。 这时候可以选择用类 class 搭建神经网络结构,即使用 class 类封装一个网络结构:   … class MyModel(Model):   def __init__(self):     super(MyMod…

    Keras 2023年4月8日
    00
  • python调用caffe环境配置

    背景是这样的,项目需要,必须将训练的模型通过C++进行调用,所以必须使用caffe或者mxnet,而caffe是用C++实现,所以有时候简单的加载一张图片然后再进行预测十分不方便 用caffe写prototxt比较容易,写solver也是很容易,但是如何根据传入的lmdb数据来predict每一个样本的类别,抑或如何得到样本预测为其他类的概率?这看起来是一个…

    2023年4月8日
    00
  • fasttext和cnn的比较,使用keras imdb看效果——cnn要慢10倍。

      fasttext: ”’This example demonstrates the use of fasttext for text classification Based on Joulin et al’s paper: Bags of Tricks for Efficient Text Classification https://arxiv.o…

    Keras 2023年4月6日
    00
  • 如何理解二维卷积

    我们知道一维卷积是f[z]=sum A[x]*B[y] z=x+y 那么二维卷积不就是f[n,m]=sum A[q,w]*B[e,r] 其中n=q+e,m=w+r 那么最终结果会是? 好像有点不对。。明天再想 对于数字图像处理中的矩阵卷积。。一般情况下我们不care原图像大小之外的像素

    卷积神经网络 2023年4月8日
    00
合作推广
合作推广
分享本页
返回顶部