百度360必应搜狗淘宝本站头条
当前位置:网站首页 > 技术分类 > 正文

Cursor案例分享,探索无需代码的Chrome插件创作之路

ztj100 2025-03-19 04:27 15 浏览 0 评论

1.chrome浏览器制作一个分割图片为四等份

1. 使用cursor工具生成代码

点击桌面cursor(关于cursor工具的安装这里就不做详细展开)

cursor 下载地址

https://www.cursor.com/



我们打开cursor开发工具



我们使用ctrl+i 打开composer组件



接下来我们输入我们的需求

请你帮我开发一个谷歌插件,用于将用户上传的图片,平均切分为4张图片,并自动下载到本地电脑上。注意使用 manifest v3 版本开发, 注意按钮中文编码的问题。



这里模型选择我们选择claude3.5-sonnet模型,接下来会自动生成我们要的代码



生成好后,我们点击接受就可以让左边窗体生成代码目录结构



生成的代码background.js

chrome.runtime.onMessage.addListener((request, sender, sendResponse) => {
  if (request.action === 'downloadImage') {
    chrome.downloads.download({
      url: request.dataUrl,
      filename: request.filename,
      saveAs: false
    });
  }
});

manifest.json

{
  "manifest_version": 3,
  "name": "图片切分器",
  "version": "1.0",
  "description": "将图片平均切分为4张并下载",
  "permissions": ["activeTab", "downloads"],
  "action": {
    "default_popup": "popup.html"
  },
  "background": {
    "service_worker": "background.js"
  }
}

popup.html




  
  图片切分器
  


  

图片切分器

<script src="popup.js"></script>

popup.js

let uploadedImage = null;

document.getElementById('uploadBtn').addEventListener('click', () => {
  document.getElementById('fileInput').click();
});

document.getElementById('fileInput').addEventListener('change', (event) => {
  const file = event.target.files[0];
  if (file) {
    const reader = new FileReader();
    reader.onload = (e) => {
      uploadedImage = new Image();
      uploadedImage.onload = () => {
        document.getElementById('preview').src = e.target.result;
        document.getElementById('preview').style.display = 'block';
        document.getElementById('splitBtn').style.display = 'block';
      };
      uploadedImage.src = e.target.result;
    };
    reader.readAsDataURL(file);
  }
});

document.getElementById('splitBtn').addEventListener('click', () => {
  if (uploadedImage) {
    const canvas = document.createElement('canvas');
    const ctx = canvas.getContext('2d');
    const partWidth = uploadedImage.width / 2;
    const partHeight = uploadedImage.height / 2;

    for (let i = 0; i < 2; i++) {
      for (let j = 0; j < 2; j++) {
        canvas.width = partWidth;
        canvas.height = partHeight;
        ctx.drawImage(
          uploadedImage,
          i * partWidth, j * partHeight, partWidth, partHeight,
          0, 0, partWidth, partHeight
        );
        const partDataUrl = canvas.toDataURL('image/png');
        chrome.runtime.sendMessage({
          action: 'downloadImage',
          dataUrl: partDataUrl,
          filename: `split_image_${i}_${j}.png`
        });
      }
    }
  }
});

生成完成后代码,它还挺友好的告诉你如何使用这个工具

使用说明:
创建一个新文件夹,将上述所有文件放入其中。
打开 Chrome 浏览器,进入扩展程序页面(chrome://extensions/)。
开启"开发者模式"。
点击"加载已解压的扩展程序",选择包含这些文件的文件夹。
这个插件使用了 Manifest V3,并且注意了按钮中文编码的问题。如果您需要任何修改或有任何问题,请随时告诉我



我们可以将该说明复制到reademe.md文件中



我们在登录cursor 官方网站可以查看请求模型次数使用量



简单解释一下,以上代码我只做了一次请求就生成了上面4个代码。500次请求使用还是够用的。

2.测试验证

打开chrome浏览器,打开扩展程序。



点击加载已经解压的扩展程序



选择我们刚才代码生成好的文件夹,比如我的是D:\tmp\cursorexample2024\ChromePlugin




我们点击chrome浏览器右上角扩展程序将这个插件显示出来




点开这个图片切分器





3.总结

我们通过cursor工具一行代码没有写就完成了chrome浏览器插件工具的开发,前后不到5分钟,这效率真的是刚刚的。

相关推荐

其实TensorFlow真的很水无非就这30篇熬夜练

好的!以下是TensorFlow需要掌握的核心内容,用列表形式呈现,简洁清晰(含表情符号,<300字):1.基础概念与环境TensorFlow架构(计算图、会话->EagerE...

交叉验证和超参数调整:如何优化你的机器学习模型

准确预测Fitbit的睡眠得分在本文的前两部分中,我获取了Fitbit的睡眠数据并对其进行预处理,将这些数据分为训练集、验证集和测试集,除此之外,我还训练了三种不同的机器学习模型并比较了它们的性能。在...

机器学习交叉验证全指南:原理、类型与实战技巧

机器学习模型常常需要大量数据,但它们如何与实时新数据协同工作也同样关键。交叉验证是一种通过将数据集分成若干部分、在部分数据上训练模型、在其余数据上测试模型的方法,用来检验模型的表现。这有助于发现过拟合...

深度学习中的类别激活热图可视化

作者:ValentinaAlto编译:ronghuaiyang导读使用Keras实现图像分类中的激活热图的可视化,帮助更有针对性...

超强,必会的机器学习评估指标

大侠幸会,在下全网同名[算法金]0基础转AI上岸,多个算法赛Top[日更万日,让更多人享受智能乐趣]构建机器学习模型的关键步骤是检查其性能,这是通过使用验证指标来完成的。选择正确的验证指...

机器学习入门教程-第六课:监督学习与非监督学习

1.回顾与引入上节课我们谈到了机器学习的一些实战技巧,比如如何处理数据、选择模型以及调整参数。今天,我们将更深入地探讨机器学习的两大类:监督学习和非监督学习。2.监督学习监督学习就像是有老师的教学...

Python教程(三十八):机器学习基础

...

Python 模型部署不用愁!容器化实战,5 分钟搞定环境配置

你是不是也遇到过这种糟心事:花了好几天训练出的Python模型,在自己电脑上跑得顺顺当当,一放到服务器就各种报错。要么是Python版本不对,要么是依赖库冲突,折腾半天还是用不了。别再喊“我...

超全面讲透一个算法模型,高斯核!!

...

神经网络与传统统计方法的简单对比

传统的统计方法如...

AI 基础知识从0.1到0.2——用“房价预测”入门机器学习全流程

...

自回归滞后模型进行多变量时间序列预测

下图显示了关于不同类型葡萄酒销量的月度多元时间序列。每种葡萄酒类型都是时间序列中的一个变量。假设要预测其中一个变量。比如,sparklingwine。如何建立一个模型来进行预测呢?一种常见的方...

苹果AI策略:慢哲学——科技行业的“长期主义”试金石

苹果AI策略的深度原创分析,结合技术伦理、商业逻辑与行业博弈,揭示其“慢哲学”背后的战略智慧:一、反常之举:AI狂潮中的“逆行者”当科技巨头深陷AI军备竞赛,苹果的克制显得格格不入:功能延期:App...

时间序列预测全攻略,6大模型代码实操

如果你对数据分析感兴趣,希望学习更多的方法论,希望听听经验分享,欢迎移步宝藏公众号...

AI 基础知识从 0.4 到 0.5—— 计算机视觉之光 CNN

...

取消回复欢迎 发表评论: