强大的编辑器--vim|学习笔记

简介: 快速学习强大的编辑器--vim

开发者学堂课程【Linux 文本管理入门:强大的编辑器--vim】学习笔记,与课程紧密联系,让用户快速学习知识。

课程地址https://developer.aliyun.com/learning/course/790


强大的编辑器--vim

内容简介:

一:工具简介

二:工具使用(打开、保存和退出(命令模式 ))

一:工具简介

l Vim是Vi IMprovede的缩写。它是由Bram Moolenaar编写的免费开源文本编辑器。它于1991年首次发布,其主要目标是为编辑器提供增强。与Vi一样,它也是以命令为中心的编辑器。学习Vim的一个好处是它无处不在。

l 如Linux、.Mac、HPUX、AX等,Vm都是默认存在的。传统上Vim没有GU,但现在有一个GU版本的gVim。

l 优势:

1. 高适配型性:使用一个简单的配置文件.vimrc。通过简单点的配置便可成许多意想不到的任务。例如:可根据文件类型,使用不同的按键绑定等等。

2. 高可扩展性:ViM支持插件扩展,如自动缩进,自动补全,目录等插件等等。 曾有人将vim打造成一个IDE.

l 命令模式、插入模式、可视模式即三者之间的转换

1.命令模式:打开vim的后的模式就是命令模式,在此模式下,几乎所有的按键按下后,屏幕上都不会显示,但可以进行复制粘贴删除等操作。当键入英文‘:’后,界面的最下一行,便可以输入命令了。(:模式有时也叫命令模式)。

2.插入模式:按下“I”或者"o″,可由命令模式转换为插入模式。按"Esc”键可可以返回命令模式。在插入模式下,便可像普通的编辑器那样进行输入。(界面左下角会显示| NSERT)

3.可视模式:在命令模式下,按下“v”,可进入可视模式。按"Esc”键可可以返回命令模式。可视模式下移动光标,会以矩形框的形式选中内容,并可迸行复制粘贴操作。(界面左下角会显示ⅥSUAL)。

二:工具使用(打开、保存和退出(命令模式 ))

◆打开文件:

可以在启动wim时,直接跟上需要的文件名。像这样:

$ vim filename

也可以这样,命令模式下输入:

: r filename

◆退出:

不保存文件,退出。如果,文件未修改,直接q,否则,需

: q !

若保存退出:

:wq

◆复制:

复制当前行,直接按键:

yy

从当前行开始,复制n 行:

N

N yy

◆粘贴:

将光标移动到要粘贴的地方,内容将会粘贴到光标所在的下一行:

P

◆删除:

删除光标所在行:dd

从当前行开始,复制N行:n dd

◆定位:

使用命令显示符号: :set nu

输入行号N,后跟G,可以跳到指定行: n G

◆查找:

在命令模式下/前向查找,? 后向查找,后面跟上要查询的内容,回车键确定:

/<expression>

查找下一个:n

查找上一个:N

◆Undo撤销模式:

撤销上一个操作:u

撤销上n 个操作:n u

◆Redo重复操作:

直接使用<ctrl>-r 或者:

:red

相关文章
|
7天前
|
数据采集 人工智能 安全
|
17天前
|
云安全 监控 安全
|
3天前
|
机器学习/深度学习 人工智能 前端开发
构建AI智能体:七十、小树成林,聚沙成塔:随机森林与大模型的协同进化
随机森林是一种基于决策树的集成学习算法,通过构建多棵决策树并结合它们的预测结果来提高准确性和稳定性。其核心思想包括两个随机性:Bootstrap采样(每棵树使用不同的训练子集)和特征随机选择(每棵树分裂时只考虑部分特征)。这种方法能有效处理大规模高维数据,避免过拟合,并评估特征重要性。随机森林的超参数如树的数量、最大深度等可通过网格搜索优化。该算法兼具强大预测能力和工程化优势,是机器学习中的常用基础模型。
287 164
|
2天前
|
机器学习/深度学习 自然语言处理 机器人
阿里云百炼大模型赋能|打造企业级电话智能体与智能呼叫中心完整方案
畅信达基于阿里云百炼大模型推出MVB2000V5智能呼叫中心方案,融合LLM与MRCP+WebSocket技术,实现语音识别率超95%、低延迟交互。通过电话智能体与座席助手协同,自动化处理80%咨询,降本增效显著,适配金融、电商、医疗等多行业场景。
296 155
|
4天前
|
机器学习/深度学习 人工智能 前端开发
构建AI智能体:六十九、Bootstrap采样在大模型评估中的应用:从置信区间到模型稳定性
Bootstrap采样是一种通过有放回重抽样来评估模型性能的统计方法。它通过从原始数据集中随机抽取样本形成多个Bootstrap数据集,计算统计量(如均值、标准差)的分布,适用于小样本和非参数场景。该方法能估计标准误、构建置信区间,并量化模型不确定性,但对计算资源要求较高。Bootstrap特别适合评估大模型的泛化能力和稳定性,在集成学习、假设检验等领域也有广泛应用。与传统方法相比,Bootstrap不依赖分布假设,在非正态数据中表现更稳健。
231 113
|
10天前
|
SQL 自然语言处理 调度
Agent Skills 的一次工程实践
**本文采用 Agent Skills 实现整体智能体**,开发框架采用 AgentScope,模型使用 **qwen3-max**。Agent Skills 是 Anthropic 新推出的一种有别于mcp server的一种开发方式,用于为 AI **引入可共享的专业技能**。经验封装到**可发现、可复用的能力单元**中,每个技能以文件夹形式存在,包含特定任务的指导性说明(SKILL.md 文件)、脚本代码和资源等 。大模型可以根据需要动态加载这些技能,从而扩展自身的功能。目前不少国内外的一些框架也开始支持此种的开发方式,详细介绍如下。
779 6