【linux】oh my zsh自动补全bug，tab时多两个字符

原创已于 2022-10-28 17:31:06 修改 · 1.4k 阅读 ·

本内容遵循CC 4.0 BY-SA版权协议

收录于

linux

当前文章被收录于：

linux

11 篇文章 3 人学习

linux 真 tm 好用！

订阅专栏查看详情

BUG

当前文章被收录于：

BUG

8 篇文章 0 人学习

记录学习中碰到BUG

订阅专栏查看详情

当前文章被以下社区和专栏收录：

代码可运行

于 2022-06-08 22:15:31 首次发布

在使用oh-my-zsh时遇到tab补全显示异常，多出两个字符的问题。解决方案是在.zshrc文件中添加LC_ALL及LANG环境变量，但可能会遇到‘bash: warning: setlocale: LC_ALL: cannot change locale (en_US.UTF-8)’的警告。原因是系统缺少en_US.UTF-8编码。要解决此问题，需先安装locales并生成en_US.UTF-8。通过运行sudo apt-get install locales及sudo locale-gen en_US.UTF-8命令即可成功修复。

oh-my-zsh补全bug，tab时多两个字符

问题描述
解决办法
bash: warning: setlocale: LC_ALL: cannot change locale (en_US.UTF-8)

问题描述

github上的相同Issues：
Autocomplete display bug #1905
The ➜ char messes up tab completion in iTerm2 #1282

在这里插入图片描述
（借用一下图片）
tab时，会多出两个字符，并且无法删去。

解决办法

在.zshrc文件中添加

export LC_ALL=en_US.UTF-8
export LANG=en_US.UTF-8

我看好几个帖子下面都说“ok解决了”，“管用”。

然鹅，出现错误。

bash: warning: setlocale: LC_ALL: cannot change locale (en_US.UTF-8)

Linode Lish bash: warning: setlocale: LC_ALL: cannot change locale (en_US.UTF-8)

原因是，系统没有en_US.UTF-8编码（大概）。需要先生成。

安装locales

sudo apt-get clean && sudo apt-get update
sudo apt-get install locales

生成en_US.UTF-8

sudo locale-gen en_US.UTF-8

之后就ok了。

阅读完本文您可以尝试下面操作：

标签

#linux #bug

分类操作系统

确定要放弃本次机会？

福利倒计时

: :

立减 ¥

普通VIP年卡可用

立即使用

15_项目实战一_用LangChain搭建个人知识库问答助手

yang13739765227的博客

06-29

2660

文档 -> 切分 -> 向量化 -> 向量库 -> 检索 -> 拼 Prompt -> 模型生成答案但真正做一个个人知识库问答助手时，你会发现问题不止这些。用户不是只放一个.txtPDF 论文。Word 需求文档。Markdown 技术笔记。会议纪要。项目说明。API 文档。个人学习资料。这篇文章讲了什么？根据我上传的所有资料，LangGraph 和 LangChain Agent 的区别是什么？支持多格式文档加载。自动切分长文档。为每个 chunk 保存来源信息。

参与评论您还未登录，请先登录后发表或查看评论

2026企业AI知识库系统选型指南

shushangyun_的博客

07-04

321

在全球数字经济加速渗透的背景下，企业知识资产的管理与应用已成为构建核心竞争力的关键环节。传统知识库系统普遍面临三大痛点：信息孤岛导致知识流通不畅，检索效率低下制约决策速度，知识更新滞后影响业务创新。据行业研究显示，采用AI增强型知识库的企业，其信息检索效率提升可达60%以上，决策响应速度平均加快45%，这使得AI知识库系统成为企业数字化转型的战略级基础设施。

物理AI赋能智能制造：从感知到决策的工业智能体架构

qq_32181623的博客

06-29

421

物理AI（Physical AI）正在重塑智能制造的底层逻辑——从在数字空间处理符号，到在物理世界中感知、推理和行动。本文从物理AI的四维能力模型出发，提出知识图谱增强的制造智能体架构：以知识图谱为语义底座，以神经符号AI为推理引擎，以数字孪生为交互桥梁，构建面向工业场景的感知-推理-决策闭环。结合工业5G专网、具身机器人量产等产业趋势，本文分析了该架构在预测性维护、工艺优化、质量管控等场景的应用路径，并探讨了从自动化到智能化的演进方向。

密封件尺寸检测还在用卡尺？嘉腾闪测仪把效率提上来

aishanceyi的博客

07-03

338

嘉腾仪器在精密光学仪器领域做了将近二十年，IM30、IM200、IM100/IM150这些闪测仪产品已经形成了完整的产品矩阵，加上计量保证体系确认合格证书所体现的计量管理规范化水平，给密封件制造企业提供了一套从快速测量到数据追溯的完整方案。对于正在考虑升级密封件检测流程的制造企业来说，测量行程、非接触需求、批量效率、数据对接这几个维度都值得认真评估，选对了设备，密封件质量管控才能真正落地。密封件是橡胶做的，软的，用卡尺一夹就变形。一次能摆几十个密封件同时测量，O型圈、垫片、油封，不管什么形状，随便摆。

超参数调优进阶：Optuna/Bayesian/Early Stopping

谁念西风独自凉

07-05

210

【图像去雾】matlab实现基于深色通道先验的单幅图像去雾算法研究

m0_53407570的博客

06-30

1302

本文系统研究了基于深色通道先验的单幅图像去雾算法，从大气散射模型和深色通道统计规律出发，完整阐述了深色通道计算、大气光强估计、透射率估计与细化（引导滤波）、图像复原及后处理增强的全流程。文章不仅给出了详细的数学推导和算法流程图，还提供了生产级的MATLAB完整源码，包括主函数、初始化脚本、参数配置类、深色通道计算、雾密度估计、去雾处理、图像合成等模块化代码，并通过多组实验从主观视觉和客观指标（PSNR、SSIM、FADE）两个维度验证了算法的有效性和鲁棒性。同时，文章针对不同雾霾浓度和应用场景给出了参数调节

实测AI从零生成Vue3后台系统，附设计到源码全流程

Lemonliyi的博客

07-01

309

分享一个跨境电商后台管理系统案例，AI生成产品界面同时输出Vue/React的工程代码。

免费开源项目文档：基于BP神经网络的交通标志识别系统设计与实现

ZSW1218的博客

07-02

574

随着智能交通系统与自动驾驶技术的迅速发展，交通标志的自动识别已成为辅助驾驶与无人驾驶研究的核心问题之一。

深度解析：如何复刻 Karpathy 式的 AI 工程思维——从学习到构建的进阶之路

weixin_44063643的博客

06-30

836

想摆脱“API调参师”的标签？本文带你深入解构 Karpathy 的工程哲学，从第一性原理学习到极简构建，助你掌握从底层原理到实战落地的核心思维，真正实现 AI 技能的进阶 🚀。

YOLOv7特征金字塔网络优化与特征融合技术：增强多尺度目标检测能力

Loving_enjoy的博客

06-30

908

本文深入探讨了YOLOv7特征金字塔网络(FPN)的优化与特征融合技术。首先分析了FPN在目标检测中的关键作用，概述了FPN、PAN、NAS-FPN和BiFPN等典型结构的演进过程。重点阐述了YOLOv7的创新优化，包括E-ELAN结构、自适应特征融合策略和注意力机制的应用，通过实验验证其在COCO数据集上实现了mAP@0.5达到0.739的优异表现。文章还比较了相加、拼接、加权和注意力四种特征融合方式的效果，并对自动驾驶、安防监控等实际应用场景提出优化建议。最后展望了自适应结构、轻量化和多模态融合等未来发

工业防潮柜讯：AI 时代的电厂 ——Token工厂

inferi110的博客

06-30

225

定位：定制化高端 Token 产能，面向制造业、自动驾驶、物理 AI 的专用电厂东部长三角、珠三角（深圳、上海、苏州）无低成本电价优势，但紧邻海量实体产业场景，不拼基础 Token 产能，主打行业定制化推理 Token，服务工业质检、AI PC、自动驾驶、光芯片仿真、光伏智能检测等高价值场景，单 Token 商业溢价是西部通用 Token 的 2-5 倍。聚焦自动驾驶、先进封装、光伏检测、工业机器人等赛道，打造行业专属 Token 工厂，不参与通用词元价格战，依靠场景壁垒赚取高溢价。

AI for EDA(开源汇总）

baidu_38316985的博客

06-30

543

目前还没有单一开源项目能完全替代 Synopsys/Cadence 的全套商业 AI EDA 流程，但开源社区已形成""的组合方案，部分模块已可对标本商业工具的 AI 功能。

DBAPI AI 写 SQL：支持动态 SQL 与参数占位符，自然语言一键生成

我的博客

07-05

247

只需用自然语言描述你的需求，AI 自动理解表结构、生成标准 SQL，还支持参数占位符和 MyBatis 风格动态 SQL，一键插入编辑器，直接运行。支持 17+ 主流大模型：OpenAI、DeepSeek、Claude、通义千问、Gemini 等，兼容 OpenAI 格式即可接入。：根据条件查询用户列表，按用户名模糊搜索、按状态筛选、按时间范围过滤，按时间倒序排序。生成后点击"插入编辑器"即可使用。：查询所有用户的 id、用户名、邮箱和注册时间，按注册时间倒序。安全参数占位符，杜绝 SQL 注入风险。

蓝速科技 RISC-V 鸿蒙信创终端全场景落地方案

LARXU的博客

07-04

284

摘要：政企数字化改造面临信创合规难题，传统终端依赖国外技术存在安全风险。蓝速科技提出“国产芯+国产魂”解决方案，采用RISC-V架构主板与OpenHarmony系统，实现全链路自主可控。该方案整合机房监控、会议管理、政务引导等功能，通过国密算法保障数据安全，支持本地化存储与边缘计算。以标准化终端覆盖多场景，降低30%运维成本，提升40%设备利用率，满足高安全等级场景需求，为信创落地提供高效、低成本的破局路径。

矩阵乘法：从定义到应用的全面解析

最新发布

数字人生

07-05

141

摘要：矩阵乘法是线性代数的核心运算，具有独特的运算规则和几何意义。其定义为：若矩阵 A 为 $m \times s$ 阶，B 为 $s \times n$ 阶，则乘积 C = AB 为 $m \times n$ 阶矩阵，其中元素 $c_{ij}$ 为 A 的第 $i$ 行与 B 的第 $j$ 列对应元素乘积之和。矩阵乘法不满足交换律（$AB \neq BA$），且非零矩阵乘积可能为零矩阵，消去律亦不成立。然而，它仍满足结合律、分配律和数乘结合律。应用上，矩阵乘法可简洁表达线性方程组（$Ax=b$），描述线

多模态大模型轻量化部署2026：从云端到端侧的实战指南

小二丶的博客

07-02

360

2026年多模态大模型正加速从云端向终端设备迁移，呈现三大趋势：1）部署方式从云端独占转向云边协同最终实现端侧普及；2）模型参数规模持续轻量化（3B-7B），Qwen2.5-VL-3B等模型已实现手机端150ms级延迟；3）精度与效率平衡，3B模型可达云端72B模型84%的精度。典型架构包含视觉编码器、跨模态投影层和小型语言模型，通过动态分辨率、高效适配器等技术创新，在手机、边缘设备等终端实现多模态AI的普惠化部署。

【infra之路】Prefill和Decode是如何一起计算、为什么可以batch并行计算

sweet_ran的博客

06-30

412

本文深入解析了大语言模型推理过程中Prefill和Decode阶段的计算本质。核心观点是：两者在模型层面执行完全相同的计算流程（token→Embedding→Transformer→LM Head），区别仅在于输入长度和KV Cache处理方式。通过GPU并行计算特性，不同请求（不同阶段的输入）可以合并成单一矩阵运算批量处理：线性层部分统一计算，Attention部分通过Block Table隔离处理。这种混合批处理方式消除了串行等待时间，充分发挥GPU计算能力，提升了整体吞吐量。关键在于Transfor

机器人二次开发机器狗巡检？高效替代人工运维

caixiongshuo的博客

07-02

270

在工业与商业场景中，机器人二次开发常受困于开发周期长和算法泛化能力不足。行业数据显示，传统方案依赖人工标定，场景微调即需重新部署，项目平均周期频繁超过6个月。同时，实验室模型在真实环境中性能骤降，测试表明跨平台迁移成本可达新开发的50%以上。这些痛点制约了机器人技术在全行业的规模化应用。面对上述挑战，在机器人二次开发领域积累了底层技术能力，支撑起巡检、动作定制、智能导览等系统的快速开发。其核心技术包括多传感器融合感知，针对黑暗、烟尘等复杂环境，自研融合算法已在工业场景中验证了稳定性。

LLM系列：4.transformer算法：2.Transformer实现

Open__Ai的博客

06-29

365

PyTorch中的Transformer实现提供了灵活的模块化组件，而非端到端的全自动模型。核心类包括： nn.Transformer：完整Encoder-Decoder架构，用于序列到序列任务 nn.TransformerEncoder/Decoder：可堆叠的编码器/解码器层 nn.TransformerEncoderLayer/DecoderLayer：单层实现，含自注意力和前馈网络关键注意事项：输入形状默认(seq_len,batch_size,d_model)，可通过batch_first调整

零售行业AI营销文案生成实践：RAG与Prompt工程的应用探索

weixin_42054392的博客

06-29

347

内容营销是零售企业获取流量的核心手段，但高质量文案的生产成本高、效率低。本文以某零售品牌（年销售额约5亿元）使用JVS-AI套件进行营销文案生成的案例为背景，详细介绍AI文案生成的技术方案、实施过程及效果。企业上线AI文案生成系统后，文案生产效率提升8倍，单条文案成本从200元降至25元，营销活动ROI从120%提升至360%。成功要素知识库质量决定输出质量：品牌风格指南和产品卖点库必须详细、准确。人工审核不可或缺：AI生成的文案需要人工把关，特别是涉及产品参数、合规要求的内容。持续优化Prompt。