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。
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