微软宣布推出Coreutils——一项面向Windows 11的全新功能,允许开发者通过单一二进制文件在Windows上原生运行众多常用Linux命令行工具。
该功能在本周于西雅图举办的Build 2026开发者大会上正式亮相,其核心目标是降低微软所称的"认知负担"——即开发者在Windows与其他平台之间频繁切换时所承受的操作压力。
此前,要在Windows上访问CI/CD开发环境中常用的Linux命令行工具,开发者必须借助一些繁琐的变通方式,例如打开Git Bash等模拟器,或启动虚拟化的Windows Linux子系统(WSL)终端。这两种方式均耗时且低效。正如微软在公告中所说:"开发者需要不断在多个平台间切换,但熟悉的命令却无法稳定运行,被迫寻找替代方案,不仅拖慢开发速度,还打断工作节奏。"
Coreutils彻底消除了这种来回切换的需求,开发者可以直接在Windows CMD命令提示符、PowerShell或Windows终端中运行绝大多数Linux命令。微软表示:"无论你是在Linux、macOS、WSL、容器还是云环境之间切换,多年来积累的命令习惯和工作流程,在Windows环境中都能直接使用。"
Coreutils以单一可执行文件的形式安装(通过WinGet命令:install Microsoft.Coreutils),其本身是对GNU uutils/coreutils项目的Rust语言重写版本,提供跨Linux发行版通用的命令支持。
Coreutils高效管理的关键在于:各项Linux命令通过多调用可执行文件运行,并借助指向各命令的NTFS硬链接进行映射。这种设计的优势在于,整个系统只需安装一个二进制文件、签名一个二进制文件,也只需对一个二进制文件进行补丁更新。
微软列出了Coreutils支持的75个Linux工具,涵盖ls、cp、find、grep、rm、du、hostname、uptime等常用命令。
不过,部分Coreutils命令与现有CMD或PowerShell命令存在冲突,或因其他原因无法执行。微软为此提供了一份兼容性对照表,明确标注了冲突情况。这意味着以下命令暂不可用:dir、expand、kill、more、timeout和whoami。
此外,某些命令因依赖Windows不兼容的POSIX Unix/Linux特性而被排除在外,例如chmod、chown、id、stty和chroot。还有一些命令可以在CMD中执行,但在PowerShell中则无法运行。微软对此解释了复杂的优先级规则:"Coreutils版本能否运行,取决于所使用的Shell、PATH路径顺序,以及PowerShell的别名表配置。"
除Coreutils之外,Build 2026开发者大会还宣布了多项重要更新:WSL容器CLI与API(用于在Windows上部署Linux容器)、一个配备开源治理工具的自主智能体新框架,以及Microsoft Scout——一款专为自动化Microsoft 365任务而设计的AI智能体。
Q&A
Q1:Windows上的Coreutils支持哪些Linux命令?
A:微软列出了Coreutils支持的75个Linux工具,涵盖ls、cp、find、grep、rm、du、hostname、uptime等常用命令。但部分命令因与Windows原有命令冲突或依赖不兼容的POSIX特性而无法使用,例如dir、expand、kill、chmod、chown等命令均不在支持范围内。
Q2:Windows Coreutils怎么安装?
A:Coreutils以单一可执行文件形式提供,通过WinGet包管理器安装,命令为:install Microsoft.Coreutils。安装后,开发者可直接在Windows CMD命令提示符、PowerShell或Windows终端中运行支持的Linux命令,无需额外配置模拟器或WSL环境。
Q3:Coreutils和WSL有什么区别?
A:WSL是在Windows上运行的虚拟化Linux子系统,需要单独打开终端环境才能使用Linux命令。而Coreutils无需虚拟化,直接在Windows原生Shell(CMD、PowerShell、Windows Terminal)中运行Linux命令,省去了切换环境的步骤,显著降低了开发者的操作负担,提升工作效率。
好文章,需要你的鼓励
牛津大学提出PHYSIFORMER,一种扩散变换器模型,通过三维网格顶点轨迹直接在世界坐标空间预测刚性与弹性物体的物理运动,一次性生成全序列轨迹,超越自回归基线。
随着医疗数据数字化与互操作性的进步,跨机构纵向患者数据的研究应用成为可能。本研究通过对20位领域专家的访谈,识别出8种数据收集方法,涵盖智能手机应用、结构化数据导出、区域/全国研究查询及聚合数据源等。研究发现,各方法均有其优缺点,无单一最优方案。参与者中介交换方式可绕过复杂治理安排,但存在数据缺口;全国性网络尚不支持研究查询。公共政策的持续推进将对该领域发展起关键作用。
研究发现主流奖励模型对同等质量答案给出差异悬殊的分数,并提出"奖励聚类"算法通过蒙特卡洛随机失活将连续分数离散化,在不重训模型的前提下有效减少AI训练中的奖励作弊现象。