【前端Vue】如何快速直观地查看引入的前端依赖?名称版本、仓库地址、开源协议、作者、依赖介绍、关系树...(Node Modules Inspector)

【前端Vue】如何快速直观地查看引入的前端依赖?名称版本、仓库地址、开源协议、作者、依赖介绍、关系树...(Node Modules Inspector)

想要快速直观地查看前端引入依赖的各项信息,传统方式是通过命令行(如 npm ls、pnpm why)查看,信息显示单一且碎片化,没有足够的信息和美观的页面,操作繁琐,而通过Vue 团队成员 antfu 带来的Node Modules Inspector可以实现近乎完美的依赖信息展示效果,只需要简单一条命令就可以查看丰富的依赖相关信息。该工具无需安装,直接在命令行运行即可,使用npx启动:

# 适用于 npm 项目 npx node-modules-inspector # 适用于 pnpm 项目(推荐) pnpx node-modules-inspector

执行后,浏览器会自动打开本地可视化界面,默认端口为 3000。如果端口被占用,工具会提示可用端口。

页面左上角有操作栏,可以切换依赖显示的效果

树形视图

以下是依赖的树形结构展示效果

树形结构可以看到父子组件之间的引用依赖关系

网格视图

上方标签栏可以进行分类规则切换,分别为深度/层级、模块类型、依赖环境(开发/生产)、作者、开源协议、组织、来源,并且在深度/层级分类下,可以看到未被实际引用的冗余依赖Depth null

报告视图

上方标签栏可以进行依赖的具体分类查看,分别为募捐、依赖关系、废弃依赖、多版本依赖、安装大小、发布时间、Node相关、开源许可、全部

图表视图

图表视图具有多种展示方式,图表的每个元素都可以悬停或点击查看具体依赖信息和层级引用关系

依赖对比

该功能可以直观对比任意依赖的结构、大小、引用关系等信息

每个页面的左侧都会显示当前你选中的依赖相关信息,包括名称、用途(简介)、版本、仓库地址、开源协议、作者、引入大小、与其他依赖间的关系等

Read more

2026年,AI短剧正在爆发:一款开源工具带你从0到1做短剧

2026年,AI短剧正在爆发:一款开源工具带你从0到1做短剧

大家好,我是小阳哥。 2026年,一个新的风口正在成型——AI短剧。 今天给大家推荐一个开源的 AI短剧神器。工具是开源免费的,可以自己部署,也可以直接下载可执行文件运行。 工具把 AI 短剧拆解成了一步步可执行的流水线: 小说 → 大纲 → 剧本 → 分镜 → 视频 而且是多 Agent 协作生成,非常接近真实影视制作流程。 接下来,一步步带大家看下如何使用。(工具地址放在文末了) 一、基础设置 在开始制作前,我们需要设置AI 模型。共需要3类 * 文本模型(写剧情) * 图像模型(生成角色/场景/分镜图片) * 视频模型(生成短剧) 这里面基本支持了市面上所有的主流模型 为每个 agent 设置对应的模型 支持修改每个agent的内置提示词 二、创作流程(核心流程) 1. 新建项目 字段包括:

口播博主必备神器:旗博士爆款口播自动生成智能体,一键生成AI口播视频,无限次数生成

口播博主必备神器:旗博士爆款口播自动生成智能体,一键生成AI口播视频,无限次数生成

KrLongAI 旗博士:本地部署的 AI 数字人口播视频全流程自动化工程 在 AIGC 赋能内容创作的浪潮下,数字人口播视频成为内容生产的重要形式,但传统制作流程存在文案创作难、音视频处理繁琐、多平台发布效率低等痛点。今天给大家推荐一款本地运行、模块化、可扩展的 AI 数字人口播视频自动化生成工具 ——KrLongAI 旗博士,它实现了从对标文案提取到多平台发布的全链路自动化,完美解决内容生产效率问题,同时兼具技术学习与工程实践价值,是 AI 视频方向开发者和内容创作者的优质工具。 PS:文末附有获取软件方式 免费获取软件、试用: https://pan.baidu.com/s/12kNd-iKyWLku9HWNCRccGQ?pwd=1234 案例 做自媒体必看!超强口播 AI 智能体,视频一键生成不限制 一、项目核心定位:工程整合与流程自动化 KrLongAI 旗博士并非单一的 AI 模型工具,

Python 驱动浏览器自动化:Playwright + AI 的 2026 最佳实践

Python 驱动浏览器自动化:Playwright + AI 的 2026 最佳实践

摘要:在 Web 自动化领域,Selenium 曾经的霸主地位已成历史,Playwright 凭其“快、稳、强”的现代特性成为了新标准。而在 2026 年,随着 LLM(大语言模型)和视觉多模态模型的爆发,自动化测试与 RPA(机器人流程自动化)迎来了范式革命。本文将深度解析 Playwright 的核心架构,并手把手教你构建一个具备“自愈能力”的 AI 驱动自动化 Agent。本文超 7000 字,包含大量实战代码与反爬对抗技巧。 第一章:Selenium 已死,Playwright 当立? 1.1 自动化的“不可能三角” 长期以来,Web 自动化工程师都在速度、稳定性和抗检测性之间做取舍: * Selenium:

Superpowers 与 gstack 深度解析:AI Coding Agent 的技能驱动与角色驱动架构对比

Superpowers 与 gstack 深度解析:AI Coding Agent 的技能驱动与角色驱动架构对比

我认真拆解了 Superpowers 和 gstack:它们都在重塑 AI 编程,但走的是两条完全不同的路 过去一年,AI 编程工具最大的变化,不是模型更强了,而是大家逐渐意识到一件事: 真正决定 AI 写代码质量的,往往不是模型本身,而是你如何组织它的工作方式。 也就是说,问题已经从“用哪个模型”慢慢转向了: * 怎么让 AI 不要一上来就胡乱写代码? * 怎么让它先想清楚需求、边界、测试和设计? * 怎么让它像一个靠谱的工程团队,而不是一个情绪不稳定的实习生? 最近两个很有代表性的开源项目,正好走了两条不同但都很值得研究的路径: * obra/superpowers:把 AI 编程流程建立在 skills(技能) 之上,强调可组合、可复用、可自动触发的工程化工作流。官方将它定义为“一个基于可组合 skills 的完整软件开发工作流”。 * garrytan/gstack:把