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。
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-1.5暂无简介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-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