WordPress Gutenberg编辑器文档大纲功能解析与优化建议
背景介绍
WordPress Gutenberg编辑器中的文档大纲功能是一个重要的辅助工具,它能够显示当前页面或文章中的标题层级结构。这个功能对于内容创作者和开发者来说非常实用,可以帮助他们快速了解文档结构并确保标题层级的合理性。
当前问题分析
在Gutenberg编辑器中,当用户启用"显示模板"选项时,文档大纲功能仅显示模板中的标题块,而忽略了内容区域中的标题。这种行为导致了几个显著的问题:
-
功能完整性受损:用户可以看到内容区域中的标题,但大纲却不显示,这给用户造成了功能不完整的错觉。
-
可访问性检查失效:大纲的一个重要功能是检查标题层级是否正确(如避免重复的H1标题),但当前实现无法检测完整页面的标题结构。
-
用户体验混乱:用户在编辑内容区域标题时,大纲没有任何变化,这种不一致性增加了认知负担。
技术实现分析
通过代码审查发现,问题根源在于getBlocks函数在获取块内容时的行为差异。当"显示模板"选项启用时:
- 列表视图可以正确显示内容区域中的内部块
- 但
getBlocks函数返回的post-content块的innerBlocks却为空数组 - 尝试使用
getBlocksByClientId获取内部块同样失败
解决方案探讨
社区成员提出了几种可能的解决方案:
-
使用useEntityBlockEditor替代getBlocks:这种方法可以从核心数据中获取块内容,但只能获取文章内容中的块,无法包含模板中的标题。
-
合并模板和内容区域的块:更全面的解决方案是同时获取模板和内容区域的块数据,然后合并处理。这需要:
- 从模板获取标题块
- 从内容区域获取标题块
- 合并两者并正确排序
-
交互行为优化:对于模板中的标题,由于用户无法直接编辑,应考虑:
- 禁用点击功能
- 或提供视觉提示表明这些标题来自模板
设计原则思考
在考虑解决方案时,需要遵循几个核心原则:
-
文档级工具定位:大纲应该反映最终页面的完整标题结构,而不仅仅是当前编辑的部分。
-
一致性:与列表视图等其他文档级工具保持行为一致。
-
可预测性:用户操作(如添加标题)应该在大纲中有即时的反馈。
实施建议
基于讨论,推荐采用以下优化方案:
-
完整标题显示:无论"显示模板"选项是否启用,大纲都应显示模板和内容区域中的所有标题。
-
区分来源:通过视觉设计区分模板标题和内容标题,帮助用户理解结构。
-
交互优化:对于不可编辑的模板标题,提供适当的交互反馈。
-
信息展示分离:考虑将字符数、字数等元信息与大纲分离,保持功能的纯粹性。
总结
Gutenberg编辑器的文档大纲功能优化不仅是一个技术问题,更关乎用户体验和内容创作效率。通过全面显示文档标题结构,并合理区分不同来源的标题,可以显著提升编辑器的实用性和易用性。这一改进将使得标题层级检查更加准确,帮助用户创建结构更合理的网页内容。
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