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。
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
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