shadcn-ui-expansions项目中Creatable选择器性能优化实践
问题现象分析
在使用shadcn-ui-expansions项目的Creatable选择器组件时,开发者发现当输入较长字符串(约45个字符以上)时,浏览器标签页会出现明显的卡顿甚至完全冻结的情况。这个问题在Chromium和Firefox浏览器上都能复现,通过性能分析工具可以观察到存在递归调用导致的性能问题。
问题根源探究
经过深入排查,发现该性能问题与底层使用的cmdk组件有关。Creatable选择器在实现动态创建选项功能时,如果没有提供自定义的过滤函数,cmdk会使用其默认的过滤机制,这个机制在处理长字符串时效率低下,导致了浏览器渲染线程的阻塞。
解决方案实现
方案一:修改组件源码
在MultipleSelector组件的Command组件中添加自定义filter属性:
filter={(value, search) => {
return value.toLowerCase().includes(search.toLowerCase()) ? 1 : -1;
}}
这种修改直接解决了性能问题,因为自定义的过滤函数比cmdk默认的实现更加高效。
方案二:通过props传递过滤函数
如果不方便修改源码,也可以通过组件的commandProps属性传递过滤函数:
commandProps={{
filter: (value, search) => {
return value.toLowerCase().includes(search.toLowerCase()) ? 1 : -1;
},
}}
注意事项与边界情况
虽然上述解决方案有效解决了性能问题,但开发者需要注意一个边界情况:当输入字符串末尾包含空格时,Creatable选项可能会消失。这是因为cmdk内部对value值进行了trim()处理,导致包含空格的搜索条件无法匹配。
例如:
- 输入"Hello "(末尾有空格)会导致CreatableItem消失
- 输入"Hello my friend"(中间有空格)则工作正常
最佳实践建议
-
性能优化:对于需要处理用户自由输入的Creatable组件,务必提供自定义的过滤函数以避免性能问题。
-
用户体验:考虑在UI中添加提示,告知用户输入中末尾空格可能导致选项消失的问题,或者在前端逻辑中自动处理末尾空格。
-
组件封装:如果项目中有多处使用Creatable选择器,建议创建一个高阶组件或自定义hook来统一处理这些边界情况和性能优化。
总结
通过分析shadcn-ui-expansions项目中Creatable选择器的性能问题,我们不仅找到了解决方案,还深入理解了cmdk组件的工作机制。这类问题的解决思路可以推广到其他基于cmdk的组件开发中,特别是在需要处理用户自由输入的场景下,自定义过滤逻辑往往是提升性能的关键。
GLM-5智谱 AI 正式发布 GLM-5,旨在应对复杂系统工程和长时域智能体任务。Jinja00
GLM-5-w4a8GLM-5-w4a8基于混合专家架构,专为复杂系统工程与长周期智能体任务设计。支持单/多节点部署,适配Atlas 800T A3,采用w4a8量化技术,结合vLLM推理优化,高效平衡性能与精度,助力智能应用开发Jinja00
请把这个活动推给顶尖程序员😎本次活动专为懂行的顶尖程序员量身打造,聚焦AtomGit首发开源模型的实际应用与深度测评,拒绝大众化浅层体验,邀请具备扎实技术功底、开源经验或模型测评能力的顶尖开发者,深度参与模型体验、性能测评,通过发布技术帖子、提交测评报告、上传实践项目成果等形式,挖掘模型核心价值,共建AtomGit开源模型生态,彰显顶尖程序员的技术洞察力与实践能力。00
Kimi-K2.5Kimi K2.5 是一款开源的原生多模态智能体模型,它在 Kimi-K2-Base 的基础上,通过对约 15 万亿混合视觉和文本 tokens 进行持续预训练构建而成。该模型将视觉与语言理解、高级智能体能力、即时模式与思考模式,以及对话式与智能体范式无缝融合。Python00
MiniMax-M2.5MiniMax-M2.5开源模型,经数十万复杂环境强化训练,在代码生成、工具调用、办公自动化等经济价值任务中表现卓越。SWE-Bench Verified得分80.2%,Multi-SWE-Bench达51.3%,BrowseComp获76.3%。推理速度比M2.1快37%,与Claude Opus 4.6相当,每小时仅需0.3-1美元,成本仅为同类模型1/10-1/20,为智能应用开发提供高效经济选择。【此简介由AI生成】Python00
Qwen3.5Qwen3.5 昇腾 vLLM 部署教程。Qwen3.5 是 Qwen 系列最新的旗舰多模态模型,采用 MoE(混合专家)架构,在保持强大模型能力的同时显著降低了推理成本。00- RRing-2.5-1TRing-2.5-1T:全球首个基于混合线性注意力架构的开源万亿参数思考模型。Python00