MkDocs Material 中实现长折叠内容块顶部固定标题的技巧
在 MkDocs Material 文档系统中,折叠内容块(Collapsible Admonitions)是一种常用的内容组织方式。但当内容较长时,用户需要滚动回顶部才能折叠内容,这带来了不便。本文将介绍如何通过 CSS 技巧实现标题固定效果,提升长内容折叠块的用户体验。
问题背景
MkDocs Material 的折叠内容块功能允许用户点击标题展开或折叠详细内容。然而,当内容较长时,用户阅读到页面底部后,必须手动滚动回顶部才能再次折叠内容。这在查看长代码示例或详细说明时尤为不便。
解决方案
通过添加少量 CSS 代码,我们可以实现标题的固定效果:
.md-typeset summary {
position: sticky;
top: 48px;
z-index: 1;
backdrop-filter: blur(10px);
}
这段代码实现了以下效果:
position: sticky使标题在滚动时保持固定top: 48px设置标题固定在距顶部 48px 的位置(适应 Material 主题的导航栏高度)z-index: 1确保标题层叠在内容之上backdrop-filter: blur(10px)添加毛玻璃效果,增强可读性
进阶用法
针对特定类型的内容块
如果只需要对特定类型的内容块应用此效果,可以使用更精确的选择器:
.md-typeset .admonition-type > summary {
/* 同上样式 */
}
或者通过添加自定义类名:
.md-typeset .sticky-header > summary {
/* 同上样式 */
}
然后在 Markdown 中使用:
??? note sticky-header
这里的内容会很长...
当用户滚动时,标题将保持固定
响应式考虑
对于移动设备,可能需要调整固定位置:
@media screen and (max-width: 76.1875em) {
.md-typeset summary {
top: 0; /* 移动设备上导航栏可能不同 */
}
}
实现原理
-
粘性定位(Sticky Positioning):
position: sticky是 CSS 中一种特殊的定位方式,元素在视口中时表现为相对定位,当滚动到阈值时变为固定定位。 -
层叠上下文(Stacking Context):通过
z-index确保标题始终显示在内容上方,避免被其他元素遮挡。 -
视觉优化:
backdrop-filter属性创建的毛玻璃效果,既能保持标题可读性,又不完全遮挡下方内容,提供良好的视觉连续性。
注意事项
-
浏览器兼容性:
backdrop-filter在一些旧版本浏览器中可能不支持,可以考虑添加background-color: rgba(var(--md-default-bg-color), 0.7)作为回退方案。 -
性能影响:过多使用
position: sticky和backdrop-filter可能对页面滚动性能产生影响,建议仅在确实需要的长内容块上应用。 -
主题更新:当升级 MkDocs Material 主题时,可能需要重新检查这些自定义样式是否仍然适用。
通过这种简单而有效的 CSS 技巧,可以显著提升 MkDocs Material 文档中长折叠内容块的用户体验,使读者能够随时访问折叠控制,而无需费力地滚动回页面顶部。
AutoGLM-Phone-9BAutoGLM-Phone-9B是基于AutoGLM构建的移动智能助手框架,依托多模态感知理解手机屏幕并执行自动化操作。Jinja00
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
GLM-4.6V-FP8GLM-4.6V-FP8是GLM-V系列开源模型,支持128K上下文窗口,融合原生多模态函数调用能力,实现从视觉感知到执行的闭环。具备文档理解、图文生成、前端重构等功能,适用于云集群与本地部署,在同类参数规模中视觉理解性能领先。Jinja00
HunyuanOCRHunyuanOCR 是基于混元原生多模态架构打造的领先端到端 OCR 专家级视觉语言模型。它采用仅 10 亿参数的轻量化设计,在业界多项基准测试中取得了当前最佳性能。该模型不仅精通复杂多语言文档解析,还在文本检测与识别、开放域信息抽取、视频字幕提取及图片翻译等实际应用场景中表现卓越。00
GLM-ASR-Nano-2512GLM-ASR-Nano-2512 是一款稳健的开源语音识别模型,参数规模为 15 亿。该模型专为应对真实场景的复杂性而设计,在保持紧凑体量的同时,多项基准测试表现优于 OpenAI Whisper V3。Python00
GLM-TTSGLM-TTS 是一款基于大语言模型的高质量文本转语音(TTS)合成系统,支持零样本语音克隆和流式推理。该系统采用两阶段架构,结合了用于语音 token 生成的大语言模型(LLM)和用于波形合成的流匹配(Flow Matching)模型。 通过引入多奖励强化学习框架,GLM-TTS 显著提升了合成语音的表现力,相比传统 TTS 系统实现了更自然的情感控制。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