BEM/Yandex UI 设计令牌(Design Tokens)深度解析
2025-07-05 11:38:10作者:宣海椒Queenly
什么是设计令牌
设计令牌是现代UI开发中的核心概念,它代表设计系统中最基础的视觉属性单元。在BEM/Yandex UI框架中,设计令牌被系统性地组织和管理,作为连接设计与开发的桥梁。
设计令牌本质上是一种与平台无关的抽象层,它封装了诸如颜色、间距、字体、阴影等视觉属性。这种抽象使得设计师和开发者能够使用相同的术语进行协作,同时保持设计系统的一致性。
设计令牌的核心优势
- 一致性保障:通过集中管理视觉属性,确保整个产品界面风格统一
- 高效维护:修改全局设计只需调整令牌值,无需逐个修改组件
- 多平台适配:同一套令牌可转换为CSS、JSON、XML等不同格式
- 设计开发协作:建立设计师与开发者之间的共同语言
令牌类型详解
全局令牌
全局令牌是设计系统的基础构建块,通常包括:
- 色彩系统(主色、辅助色、语义色等)
- 字体系统(字族、字号、字重、行高等)
- 间距系统(基础间距单位、布局间距等)
- 圆角系统(基础圆角大小等)
- 阴影系统(不同层级的阴影效果)
在BEM/Yandex UI中,全局令牌按照主题进行组织,典型结构如下:
主题目录/
├── 主题定义文件.theme.json
└── 令牌文件/
├── 色彩-light.tokens.yml
├── 传统样式.tokens.yml
├── 间距.tokens.yml
└── 排版.tokens.yml
组件令牌
组件令牌是特定于某个UI组件的视觉属性,它们应该:
- 尽可能引用全局令牌
- 只在该组件内部使用
- 包含组件的各种状态和变体
典型组件令牌结构示例:
组件目录/
└── 组件.tokens/
└── 组件.tokens.yml
令牌文件最佳实践
结构组织原则
- 扁平化结构:避免不必要的嵌套层级
- 明确命名:使用直观的命名反映令牌用途
- 状态分离:清晰区分组件的不同状态
代码示例对比
不推荐的做法(过度嵌套):
按钮:
字体:
粗细:
加粗:
值: "..."
推荐的做法(扁平结构):
按钮:
字体粗细加粗:
值: "..."
状态命名规范
BEM/Yandex UI推荐使用以下状态命名:
base:默认状态hovered:悬停状态focused:获得焦点状态disabled:禁用状态pressed:按下状态selected:选中状态checked:勾选状态progress:加载中状态
高级技巧
文档注释
为重要令牌添加注释,提升可维护性:
按钮:
圆角半径: "4px"
注释: "控制按钮四角的圆角程度"
元素标注
明确区分属性和元素:
按钮:
# 元素:按钮文本
文本:
字族:
值: "Arial"
全局令牌引用
优先使用全局定义而非硬编码:
按钮:
文本:
字族:
值: "{排版.字族.值}"
设计令牌工作流
- 设计阶段:设计师在Figma等工具中定义视觉属性
- 令牌化:将设计属性转换为设计令牌
- 代码生成:通过工具将令牌转换为平台特定代码
- 开发使用:开发者在组件中引用生成的令牌变量
- 迭代更新:通过修改令牌值实现全局样式调整
常见问题解决
问题1:如何保持多团队令牌一致? 方案:建立中心化的令牌仓库,定期同步更新
问题2:如何处理平台差异? 方案:使用条件令牌,针对不同平台定义不同值
问题3:如何管理令牌版本? 方案:采用语义化版本控制,重大变更升级主版本号
通过BEM/Yandex UI的设计令牌系统,团队可以建立高效、一致的设计开发协作流程,显著提升大型项目的可维护性和扩展性。
登录后查看全文
热门项目推荐
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
项目优选
收起
deepin linux kernel
C
24
9
Ascend Extension for PyTorch
Python
222
238
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
暂无简介
Dart
671
156
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++
661
312
React Native鸿蒙化仓库
JavaScript
261
322
🔥LeetCode solutions in any programming language | 多种编程语言实现 LeetCode、《剑指 Offer(第 2 版)》、《程序员面试金典(第 6 版)》题解
Java
64
19
仓颉编译器源码及 cjdb 调试工具。
C++
134
867
仓颉编程语言测试用例。
Cangjie
37
859
openGauss kernel ~ openGauss is an open source relational database management system
C++
160
217