Clojure-LSP 2025.01版本发布:语义化版本排序与编辑器体验优化
项目简介
Clojure-LSP 是一个专为 Clojure 语言设计的 Language Server Protocol (LSP) 实现,它为现代代码编辑器提供了强大的代码分析、自动补全、重构等功能支持。作为 Clojure 生态系统中重要的开发工具,它通过标准化的 LSP 协议与各类编辑器集成,显著提升了开发者的编程体验。
核心更新内容
1. 基础架构升级
本次发布的 2025.01 版本对项目基础架构进行了重要更新:
- 将 clj-kondo 静态分析工具升级至 2025.01.16 版本,获得了最新的代码分析能力
- 将 lsp4clj 核心库升级至 1.11.0 版本,增强了 LSP 协议的实现
- 正式放弃对 JDK 8 的支持,开发者需要使用更高版本的 Java 运行环境
2. 编辑器功能增强
在编辑器集成方面,本次更新带来了多项改进:
代码补全优化
- 简单关键字补全现在会返回所有已知关键字,而不仅仅是当前命名空间中的关键字
- 为 CompletionItem 添加了 textEdit 属性,修复了 Zed 编辑器中的补全功能问题
- 实现了库版本号的语义化排序,使版本建议更加合理
范围格式化修复
- 解决了范围格式化操作中可能出现的内部错误问题,提升了稳定性
链接编辑优化
- 将链接编辑功能限制为仅适用于命名空间别名
- 修复了多个与链接编辑相关的边界问题
3. API/CLI 功能扩展
对于需要通过命令行或 API 集成的用户,本次更新增加了:
- 在 dump 命令中新增了
:project-and-shallow-analysis类型选项 - 用
:diagnostics字段取代了原有的:findings输出,提供了更规范的诊断信息格式
技术深度解析
语义化版本排序的实现
在库版本补全功能中引入的语义化版本排序是一个值得关注的技术点。传统的字符串排序会将版本号如 "1.2.0"、"1.10.0"、"1.9.0" 按字典序排列,导致 "1.10.0" 排在 "1.9.0" 之前,这与开发者对版本号的实际认知不符。
新版本实现了符合 Semantic Versioning 规范的排序算法,能够正确识别和比较版本号的各个部分(主版本号、次版本号、修订号),确保补全建议中的版本号按实际数值大小降序排列,大大提升了开发者的使用体验。
链接编辑的精准化
链接编辑(Linked Editing)功能允许开发者同时修改代码中多个相关联的符号。本次更新将这一功能精确限定在命名空间别名范围内,避免了过度匹配可能带来的误操作。同时修复的边界问题包括:
- 正确处理带元数据的别名
- 修复某些特殊字符导致的匹配失败
- 优化了多文件场景下的别名追踪
升级建议
对于现有用户,建议在升级时注意以下事项:
- 确保开发环境使用 JDK 11 或更高版本
- 检查编辑器插件是否兼容新版本的 LSP 协议特性
- 对于依赖 CLI 工具自动化的场景,注意
:findings字段已更名为:diagnostics - 范围格式化功能更加稳定,可以考虑在编辑器中启用相关快捷键
未来展望
从本次更新可以看出 Clojure-LSP 项目正朝着更加稳定、精确的方向发展。语义化版本支持体现了对开发者实际需求的深入理解,而链接编辑的优化则展示了功能精细化的发展趋势。预计未来版本将继续加强代码分析的准确性,并进一步优化与各类编辑器的集成体验。
作为 Clojure 生态中不可或缺的开发工具,Clojure-LSP 的持续改进将直接提升整个社区的生产力水平,值得所有 Clojure 开发者关注和采用。
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