使用VS Code运行前端代码

使用VS Code运行前端代码

文章目录


VS Code运行HTML文件

提示:这里可以添加本文要记录的大概内容:

但是我在使用VS Code和Hbuilder的不同是:

Hbuilder我记得是可以在菜单栏的“文件”→“新建”→“HTML5+项目”,填写项目名称、路径等信息后点击“完成”即可创建一个新项目

一、安装VS Code 配置插件

如何使用VS Code安装插件及VS Code上的常用插件点我查看

以前写HTML用的是Hbuilder,最近突然发现VS Code也不错,只需要安装open in browser插件即可

在这里插入图片描述

二、在电脑上新建文件夹

VS Code使用是在本地打开一个文件夹

先在电脑上新建个文件夹

在这里插入图片描述


打开VS Code
然后选择【文件】→【打开文件夹】,找到刚才新建的文件夹

在这里插入图片描述

随后点开该文件夹,再次右键选择【新建文件夹】
目的:做好文件分类

在这里插入图片描述

三、新建文件【名字.html】

然后要再右键新建文件【名字.html】使用
html文件图标会变成:<>
css文件图标会变成:#

请添加图片描述

四、运行.html文件

进入页面输入:html:5回车,我们大部分代码是写在body标签下的
下面是个简单的HTML页面展示:

在这里插入图片描述

在文件里面还有个自动保存代码的功能

在这里插入图片描述

VS Code运行VUE代码

Vue-cli脚手架

Read more

Harness Engineering:给 AI 套上缰绳的工程学(通俗易懂)

Harness Engineering:给 AI 套上缰绳的工程学(通俗易懂)

🐴 Harness Engineering:给 AI 套上缰绳的工程学 AI 写代码的速度已经超过了人类能"擦屁股"的速度。Harness Engineering,就是那根让烈马变战马的缰绳。 目录 * 🐴 Harness Engineering:给 AI 套上缰绳的工程学 * 一、前言:当 AI 开始"飙车" * 二、名词急救包——先扫盲再上路 * 🐎 Harness Engineering(驾驭工程) * 🧠 Context Engineering(上下文工程) * 🎵 Vibe Coding(氛围编程) * 🤖 Coding Agent(编码智能体) * 📋 AGENTS.md(AI 工作手册) * 🔌 MCP / ACP / A2A(

AI 编程助手价格与体验对比:Claude Code vs 国产替代(通义灵码 / 文心快码 / MarsCode / 腾讯系)

目录 * 1. 为什么要做这篇对比:开发效率正在被“定价”重塑 * 2. Claude Code 要不要付费?费用结构如何理解 * 3. 国产替代有哪些:定位差异与适用人群 * 4. 对比表格:价格、能力、生态、适配场景一张看懂 * 5. 实战:同一组任务对比补全 / 重构 / 测试 / 审查 * 6. 选型建议:按场景快速决策 * 7. 总结:把“工作流收益”放进预算里 1. 为什么要做这篇对比:开发效率正在被“定价”重塑 AI 编程助手已经从“写几行代码的尝鲜工具”,变成了能够影响交付节奏、代码质量与团队协作方式的生产力组件。Claude Code 代表了国际一线模型能力与工程体验;国产阵营(通义灵码、文心快码、

API 调用基础:执行式AI必备网络请求知识

API 调用基础:执行式AI必备网络请求知识

API 调用基础:执行式AI必备网络请求知识 📝 本章学习目标:本章是入门认知部分,帮助零基础读者建立对AI Agent的初步认知。通过本章学习,你将全面掌握"API 调用基础:执行式AI必备网络请求知识"这一核心主题。 一、引言:为什么这个话题如此重要 在AI Agent快速发展的今天,API 调用基础:执行式AI必备网络请求知识已经成为每个开发者和研究者必须了解的核心知识。无论你是技术背景还是非技术背景,理解这一概念都将帮助你更好地把握AI时代的机遇。 1.1 背景与意义 💡 核心认知:AI Agent正在从"对话工具"进化为"执行引擎",能够主动完成任务、调用工具、与外部世界交互。这一变革正在深刻改变我们的工作和生活方式。 从2023年AutoGPT的横空出世,到如今百花齐放的Agent生态,短短一年多时间,执行式AI已经从概念走向落地。根据最新统计,全球AI Agent市场规模已突破百亿美元,年增长率超过100%

数学建模竞赛:全流程速成指南(附赠ai提示词)

一、前言 数学建模竞赛是检验数据处理、模型构建、算法设计与论文写作的综合赛事。本文整理内容涵盖竞赛论文撰写全过程,包含数据处理、模型选型、算法选择、论文写作、还有AI提示词模板可直接套用,帮助你快速提升备赛效率与论文质量。  二、数据预处理(建模前的核心步骤)         数据质量直接决定模型精度,预处理需按缺失值、异常值、数据转换、标准化、降维依次处理。1、缺失值分为完全随机缺失、随机缺失与非随机缺失。数据量较小时可直接删除,数据量较大时采用均值、中位数或众数填充,时序数据优先使用插值法。2、异常值检测常用3σ原则与箱线图,正态分布数据用均值替换,偏态分布数据用中位数替换,小样本数据直接修正或删除,大样本数据可采用缩尾处理。3、数据转换将类别、文本、时间等非数值信息转为数值格式,满足算法输入要求。4、标准化消除量纲影响,让不同特征具备可比性,常用方法为零-均值标准化与最大最小归一化。5、数据降维保留核心信息、降低计算复杂度,分类任务优先使用线性判别分析,无监督场景优先使用主成分分析。 三、常用模型与算法速查