Logdy 是一个单一可执行文件,你可以将它添加到 PATH 中,使其像其他工具一样可用:grep、awk、sed、jq。无需安装、部署或编译。它在本地运行,因此也很安全。了解更多。
# 与任何 shell 命令一起使用 $ tail -f file.log | logdy INFO[2024-02...] WebUI 已启动,访问 http://localhost:8080 port=8080
package main import "github.com/logdyhq/logdy-core/logdy" func main(){ logdyLogger := logdy.InitializeLogdy(logdy.Config{ ServerIp: "127.0.0.1", ServerPort: "8080", }, nil) logdyLogger.LogString("日志消息") <-context.Background().Done() }
访问 logdy.dev 获取更多信息。
Logdy 正在积极开发中,还有很多功能有待添加。欢迎早期采用者提供反馈。随时发布 Issues、Pull Requests 并参与 Discussions。请关注更新,访问 Logdy 博客。
以下命令将下载最新版本并将可执行文件添加到系统的 PATH 中。你也可以用它来更新 Logdy。
$ curl https://logdy.dev/install.sh | sh
在 MacOS 上,你可以使用 homebrew 安装 Logdy。
$ brew install logdy
导航到 Github 上的 releases 页面,为你的架构下载最新版本。
wget https://github.com/logdyhq/logdy-core/releases/download/v0.12.0/logdy_linux_amd64; mv logdy_linux_amd64 logdy; chmod +x logdy;
此外,你可以将二进制文件添加到 PATH 以便更轻松地访问。
以下命令产生的任何输出都将转发到 Web UI。
node index.js | logdy
应该会出现以下内容
INFO[2024-02...] WebUI 已启动,访问 http://localhost:8080 port=8080
打开 URL 地址并开始构建解析器、列和过滤器。
你还可以通过多种其他方式运行 Logdy,查看文档。
$ go get -u github.com/logdyhq/logdy-core/logdy
阅读更多关于如何在 Go 应用中嵌入使用 Logdy 的信息。
产品文档请访问官方文档。
用法: logdy [命令] [标志] logdy [命令] 可用命令: completion 为指定的 shell 生成自动完成脚本 demo 启动演示模式,将生成随机日志,[数字] 定义每秒生成的消息数 follow 跟踪添加到文件的行。例如 `logdy follow foo.log /var/log/bar.log` forward 将 STDIN 转发到指定端口,例如 `tail -f file.log | logdy forward 8123` help 关于任何命令的帮助 socket 设置一个端口以监听传入的日志消息。例如 `logdy socket 8233`。你可以设置多个端口 `logdy socket 8123 8124 8125` stdin 监听提供的命令的 STDOUT/STDERR。例如 `logdy stdin "npm run dev"` utils 一组帮助处理大文件的实用命令 标志: --append-to-file string 将消息日志追加到的文件路径,如果文件不存在则创建 --append-to-file-raw 当设置 'append-to-file' 时,原始行(不带元数据)将保存到文件中 --bulk-window int 收集日志消息并批量发送到客户端的时间窗口。减小此窗口将改善屏幕上呈现消息的"实时"感,但可能降低 UI 性能(默认 100) --config string 存储 UI 配置(json)的文件路径 --disable-ansi-code-stripping 使用此标志禁止 Logdy 去除 ANSI 序列代码 -t, --fallthrough 将所有接收到的 stdin 原样传递到终端(将显示传入的消息) -h, --help logdy 的帮助 --max-message-count int 缓冲区中存储以供进一步检索的最大消息数。缓冲 区溢出时,将删除最旧的消息。(默认 100000) -n, --no-analytics 选择不发送有助于改进 Logdy 的匿名分析数据 -u, --no-updates 选择不在程序启动时检查更新 -p, --port string Web UI 将运行的端口(默认 "8080") --ui-ip string 将 Web UI 服务器绑定到特定 IP 地址(默认 "127.0.0.1") --ui-pass string 用于在 UI 中进行身份验证的密码 -v, --verbose 详细日志 --version logdy 的版本
对于开发,我们建议运行 demo
模式
go run . demo 1
上述命令将以 demo
模式启动 Logdy,每秒产生 1 条日志消息。
你可以阅读更多关于演示模式的信息。
如果你想开发 UI,请查看 logdy-ui 的 readme 以获取在开发期间如何同时运行两者的说明。
此存储库在编译期间使用静态资源嵌入。这样,UI 就可以从单个二进制文件中提供服务。在构建之前,请确保你将编译好的 UI(按照构建说明进行)复制到 assets
目录中。UI 已经提交到此存储库中,所以你不需要再做任何操作。
查看 embed.go
以了解更多关于 UI 如何嵌入到二进制文件中的详细信息。
对于本地架构构建:
go build
对于跨架构构建,使用 gox
。这将为特定架构生成多个二进制文件(在 bin/
目录中),不要忘记更新 main.Version
标签。
gox \ -ldflags "-X 'main.Version=x.x.x'" \ -output="bin/{{.Dir}}_{{.OS}}_{{.Arch}}" \ -osarch="linux/amd64 windows/386 windows/amd64 darwin/amd64 darwin/arm64 linux/arm64"
准备就绪后,在新的 Github 发布中发布这些二进制文件。再次提醒,不要忘记更新 版本号。
ghr vx.x.x bin/
字节跳动发布的AI编程神器IDE
Trae是一种自适应的集成开发环境(IDE),通过自动化和多元协作改变开发流程。利用Trae,团队能够更快速、精确地编写和部署代码,从而提高编程效率和项目交付速度。Trae具备上下文感知和代码自动完成功能,是提升开发效率的理想工具。
帮助AI理解电脑屏幕 纯视觉GUI元素的自动化解析方案
开源工具通过计算机视觉技术实现图形界面元素的智能识别与结构化处理,支持自动化测试脚本生成和辅助功能开发。项目采用模块化设计,提供API接口与多种输出格式,适用于跨平台应用场景。核心算法优化了元素定位精度,在动态界面和复杂布局场景下保持稳定解析能力。
埃隆·马斯克旗下的人工智能公司 xAI 推出的第三代大规模语言模型
Grok3 是由埃隆·马斯克旗下的人工智能公司 xAI 推出的第三代大规模语言模型,常被马斯克称为“地球上最聪明的 AI”。它不仅是在前代产品 Grok 1 和 Grok 2 基础上的一次飞跃,还在多个关键技术上实现了创新突破。
腾讯自研的混元大模型AI助手
腾讯元宝是腾讯基于自研的混元大模型推出的一款多功能AI应用,旨在通过人工智能技术提升用户在写作、绘画、翻译、编程、搜索、阅读总结等多个领域的工作与生活效率。
Windsurf Editor推出第三次重大更新Wave 3
新增模型上下文协议支持与智能编辑功能。本次更新包含五项核心改进:支持接入MCP协议扩展工具生态,Tab键智能跳转提升编码效率,Turbo模式实现自动化终端操作,图片拖拽功能优化多模态交互,以及面向付费用户的个性化图标定制。系统同步集成DeepSeek、Gemini等新模型,并通过信用点数机制实现差异化的资源调配。
增强编程效率的AI代码编辑器
Cursor作为AI驱动的代码编辑工具,助力开发者效率大幅度提升。该工具简化了扩展、主题和键位配置的导入,可靠的隐私保护措施保证代码安全,深受全球开发者信赖。此外,Cursor持续推出更新,不断优化功能和用户体验。
全面超越基准的 AI Agent助手
Manus 是一款通用人工智能代理平台,能够将您的创意和想法迅速转化为实际成果。无论是定制旅行规划、深入的数据分析,还是教育支持与商业决策,Manus 都能高效整合信息,提 供精准解决方案。它以直观的交互体验和领先的技术,为用户开启了一个智慧驱动、轻松高效的新时代,让每个灵感都能得到完美落地。
飞书官方推出的AI知识库 上传word pdf即可部署AI私有知识库
基于DeepSeek R1大模型构建的知识管理系统,支持PDF、Word、PPT等常见文档格式解析,实现云端与本地数据的双向同步。系统具备实时网络检索能力,可自动关联外部信息源,通过语义理解技术处理结构化与非结构化数据。免费版本提供基础知识库搭建功能,适用于企业文档管理和个人学习资料整理场景。
大模型驱动的Excel数据处理工具
基于大模型交互的表格处理系统,允许用户通过对话方式完成数据整理和可视化分析。系统采用机器学习算法解析用户指令,自动执行排序、公式计算和数据透视等操作,支持多种文件格式导入导出。数据处理响应速度保持在0.8秒以内,支持超过100万行数据的即时分析。
DeepSeek开源的专家并行通信优化框架
DeepEP是一个专为大规模分布式计算设计的通信库,重点解决专家并行模式中的通信瓶颈问题。其核心架构采用分层拓扑感知技术,能够自动识别节点间物理连接关系,优化数据传输路径。通过实现动态路由选择与负载均衡机制,系统在千卡级计算集群中维持稳定的低延迟特性,同时兼容主流深度学习框架的通信接口。
最新AI工具、AI资讯
独家AI资源、AI项目落地
微信扫一扫关注公众号