Milkdown项目中的代码块语言列表配置问题解析
2025-05-25 05:53:08作者:虞亚竹Luna
在Milkdown编辑器的Crepe预设中,开发者可能会遇到代码块语言列表配置失效的问题。本文将深入分析该问题的技术背景,并提供两种不同的解决方案。
问题现象
当使用Crepe预设时,即使通过@milkdown/kit/component/code-block组件显式指定了语言列表,代码块的语言选择器中仍然会加载CodeMirror提供的所有语言选项。这与预期行为不符,开发者通常希望只显示自己指定的语言子集。
技术背景分析
Milkdown的代码块功能基于CodeMirror实现,语言支持数据来自@codemirror/language-data包。在标准配置中,开发者可以通过更新编辑器上下文中的codeBlockConfig来定制语言列表。然而,Crepe预设采用了不同的配置机制。
解决方案
方案一:使用Crepe的featureConfigs
Crepe提供了专门的配置接口featureConfigs来处理预设功能的定制:
const crepe = new Crepe({
root: editorEl,
featureConfigs: {
"code-mirror": {
languages: myLanguages, // 自定义语言数组
},
},
});
这种方式是Crepe推荐的配置方法,它会正确覆盖默认的语言列表。
方案二:手动配置编辑器上下文
对于需要更精细控制的场景,可以在Crepe初始化后通过编辑器实例进行配置:
crepe.editor.config((ctx) => {
ctx.update(codeBlockConfig.key, (defaultConfig) => ({
...defaultConfig,
languages: myLanguages,
}));
});
最佳实践建议
- 优先使用Crepe提供的
featureConfigs接口进行配置 - 对于复杂场景,可以结合两种方法使用
- 注意配置顺序,Crepe初始化后的配置可能会覆盖之前的设置
总结
理解Milkdown不同配置层级的差异对于正确定制编辑器行为至关重要。Crepe预设通过featureConfigs提供了更简洁的配置方式,而手动配置则提供了更大的灵活性。开发者应根据具体需求选择合适的配置方法。
通过本文的分析,开发者可以更好地掌握Milkdown中代码块功能的定制方法,避免常见的配置陷阱。
登录后查看全文
热门项目推荐
相关项目推荐
ERNIE-4.5-VL-28B-A3B-ThinkingERNIE-4.5-VL-28B-A3B-Thinking 是 ERNIE-4.5-VL-28B-A3B 架构的重大升级,通过中期大规模视觉-语言推理数据训练,显著提升了模型的表征能力和模态对齐,实现了多模态推理能力的突破性飞跃Python00
Kimi-K2-ThinkingKimi K2 Thinking 是最新、性能最强的开源思维模型。从 Kimi K2 开始,我们将其打造为能够逐步推理并动态调用工具的思维智能体。通过显著提升多步推理深度,并在 200–300 次连续调用中保持稳定的工具使用能力,它在 Humanity's Last Exam (HLE)、BrowseComp 等基准测试中树立了新的技术标杆。同时,K2 Thinking 是原生 INT4 量化模型,具备 256k 上下文窗口,实现了推理延迟和 GPU 内存占用的无损降低。Python00
MiniMax-M2MiniMax-M2是MiniMaxAI开源的高效MoE模型,2300亿总参数中仅激活100亿,却在编码和智能体任务上表现卓越。它支持多文件编辑、终端操作和复杂工具链调用Python00
HunyuanVideo-1.5HunyuanVideo-1.5作为一款轻量级视频生成模型,仅需83亿参数即可提供顶级画质,大幅降低使用门槛。该模型在消费级显卡上运行流畅,让每位开发者和创作者都能轻松使用。本代码库提供生成创意视频所需的实现方案与工具集。00
MiniCPM-V-4_5MiniCPM-V 4.5 是 MiniCPM-V 系列中最新且功能最强的模型。该模型基于 Qwen3-8B 和 SigLIP2-400M 构建,总参数量为 80 亿。与之前的 MiniCPM-V 和 MiniCPM-o 模型相比,它在性能上有显著提升,并引入了新的实用功能Python00
Spark-Formalizer-X1-7BSpark-Formalizer 是由科大讯飞团队开发的专用大型语言模型,专注于数学自动形式化任务。该模型擅长将自然语言数学问题转化为精确的 Lean4 形式化语句,在形式化语句生成方面达到了业界领先水平。Python00
GOT-OCR-2.0-hf阶跃星辰StepFun推出的GOT-OCR-2.0-hf是一款强大的多语言OCR开源模型,支持从普通文档到复杂场景的文字识别。它能精准处理表格、图表、数学公式、几何图形甚至乐谱等特殊内容,输出结果可通过第三方工具渲染成多种格式。模型支持1024×1024高分辨率输入,具备多页批量处理、动态分块识别和交互式区域选择等创新功能,用户可通过坐标或颜色指定识别区域。基于Apache 2.0协议开源,提供Hugging Face演示和完整代码,适用于学术研究到工业应用的广泛场景,为OCR领域带来突破性解决方案。00
项目优选
收起
deepin linux kernel
C
24
7
Ascend Extension for PyTorch
Python
192
212
本项目是CANN提供的数学类基础计算算子库,实现网络在NPU上加速计算。
C++
649
270
TorchAir 支持用户基于PyTorch框架和torch_npu插件在昇腾NPU上使用图模式进行推理。
Python
297
111
本仓将收集和展示高质量的仓颉示例代码,欢迎大家投稿,让全世界看到您的妙趣设计,也让更多人通过您的编码理解和喜爱仓颉语言。
Cangjie
384
3.68 K
仓颉编译器源码及 cjdb 调试工具。
C++
128
857
Nop Platform 2.0是基于可逆计算理论实现的采用面向语言编程范式的新一代低代码开发平台,包含基于全新原理从零开始研发的GraphQL引擎、ORM引擎、工作流引擎、报表引擎、规则引擎、批处理引引擎等完整设计。nop-entropy是它的后端部分,采用java语言实现,可选择集成Spring框架或者Quarkus框架。中小企业可以免费商用
Java
9
1
React Native鸿蒙化仓库
JavaScript
243
316
本项目是CANN提供的是一款高效、可靠的Transformer加速库,基于华为Ascend AI处理器,提供Transformer定制化场景的高性能融合算子。
C++
66
96
暂无简介
Dart
632
143