blink.cmp项目中实现自定义补全源的技术指南
2025-06-15 03:35:37作者:戚魁泉Nursing
在代码编辑器的自动补全功能中,blink.cmp作为一个轻量级补全框架,提供了强大的扩展能力。本文将详细介绍如何在blink.cmp中创建自定义补全源,实现特定场景下的智能补全功能。
自定义补全源的基本结构
自定义补全源需要实现三个核心方法:
get_debug_name()- 返回源的调试名称is_available()- 判断当前上下文是否应该激活该补全源complete(params, callback)- 执行实际的补全逻辑
以下是一个典型的补全源实现框架:
local provider = {}
function provider.get_debug_name()
return "MyCompletion"
end
function provider.is_available()
-- 判断是否应该激活补全
return true
end
function provider.complete(params, callback)
-- 构建补全项列表
local items = {
{
label = "example",
kind = require("blink.cmp").lsp.CompletionItemKind.Text,
documentation = "示例补全项"
}
}
callback({ items = items, isIncomplete = false })
end
return provider
实际应用案例:Obsidian笔记标签补全
以Obsidian笔记管理工具中的标签补全为例,我们可以创建一个专门的补全源:
-- 获取笔记目录下的所有标签
local function get_tags()
local notes_path = vim.fn.expand("$HOME/Documents/obsidian-vault/notes/")
local entries = vim.fn.glob(notes_path .. "*", 0, 1)
local tags = {}
for _, entry in ipairs(entries) do
if vim.fn.isdirectory(entry) == 1 then
local tag = vim.fn.fnamemodify(entry, ":t")
table.insert(tags, tag)
end
end
return tags
end
-- 判断是否在Obsidian笔记的YAML frontmatter中
local function in_tags_section()
-- 实现细节省略...
return true
end
local provider = {
get_debug_name = function() return "TagCompletion" end,
is_available = function()
return in_obsidian_vault() and in_tags_section()
end,
complete = function(params, callback)
local items = {}
local tags = get_tags()
local word = params.context.cursor_before_line:match("([%w%-]*)$") or ""
for _, tag in ipairs(tags) do
if tag:find("^" .. vim.fn.escape(word, "^$.*+?()[]{}")) then
table.insert(items, {
label = tag,
kind = require("blink.cmp").lsp.CompletionItemKind.Keyword,
documentation = "笔记标签"
})
end
end
callback({ items = items, isIncomplete = false })
end
}
return provider
配置与启用自定义补全源
创建完补全源模块后,需要在blink.cmp配置中启用它:
{
"saghen/blink.cmp",
opts = {
sources = {
providers = {
tags = {
name = "Tags",
module = "your_module_path.tag_completion",
},
},
default = { 'tags', ...其他补全源... }
}
}
}
关键点是要将自定义补全源添加到sources.default列表中,否则补全源不会被激活。
最佳实践建议
-
上下文感知:在
is_available()中精确判断补全源应该激活的场景,避免不必要的补全干扰。 -
性能优化:对于需要扫描文件系统的操作,考虑缓存结果或使用异步处理。
-
增量匹配:在
complete()方法中实现前缀匹配逻辑,提升用户体验。 -
文档完善:为每个补全项提供清晰的文档说明,方便用户选择。
通过以上方法,开发者可以轻松扩展blink.cmp的功能,为特定工作流创建高度定制化的补全体验。
登录后查看全文
热门项目推荐
相关项目推荐
atomcodeClaude Code 的开源替代方案。连接任意大模型,编辑代码,运行命令,自动验证 — 全自动执行。用 Rust 构建,极致性能。 | An open-source alternative to Claude Code. Connect any LLM, edit code, run commands, and verify changes — autonomously. Built in Rust for speed. Get StartedRust0197
cann-learning-hubCANN 学习中心仓,支持在线互动运行、边学边练,提供教程、示例与优化方案,一站式助力昇腾开发者快速上手。Jupyter Notebook0126
MiMo-V2.5-Pro-FP4-DFlashMiMo-V2.5-Pro-FP4-DFlash 是驱动 MiMo-V2.5-Pro-UltraSpeed 的底层模型: FP4 量化骨干网络:对 MoE 专家采用 MXFP4 量化,同时保持模型其他部分的更高精度,在几乎无损质量的前提下,显著减小模型体积并降低内存带宽压力。 BF16 DFlash 草稿生成器:用于块扩散推测解码,每次前向传播可生成一整个块的 tokens,并让骨干网络一步完成验证。 两者协同作用,既降低了每参数的位宽,又减少了骨干网络前向传播的次数,而这两者正是万亿参数模型解码过程中的两大主要成本来源。Python00
JoyAI-EchoJoyAI-Echo,这是一个独立的、仅用于推理的版本,旨在实现分钟级多镜头音视频生成。它采用了经过蒸馏的DMD生成器、配对的跨模态记忆以及故事级别的一致性。其性能的核心在于,一个跨模态视听记忆库能够在长达五分钟的视频中保持角色外观和语音音色的一致性。同时,一个训练后处理流程将基于记忆的强化学习与分布匹配蒸馏相结合,实现了7.5倍的速度提升,显著增强了视觉质量和对齐效果。00
AstrBot✨ 易上手的多平台 LLM 聊天机器人及开发框架 ✨ 平台支持 QQ、QQ频道、Telegram、微信、企微、飞书 | OpenAI、DeepSeek、Gemini、硅基流动、月之暗面、Ollama、OneAPI、Dify 等。附带 WebUI。Python06
handy-ollama动手学Ollama,CPU玩转大模型部署,在线阅读地址:https://datawhalechina.github.io/handy-ollama/Jupyter Notebook07
项目优选
收起
暂无描述
Dockerfile
766
5.01 K
本项目是CANN提供的transformer类大模型算子库,实现网络在NPU上加速计算。
C++
863
1.96 K
Ascend Extension for PyTorch
Python
722
894
本项目是CANN提供的神经网络类计算算子库,实现网络在NPU上加速计算。
C++
689
1.35 K
openEuler内核是openEuler操作系统的核心,既是系统性能与稳定性的基石,也是连接处理器、设备与服务的桥梁。
C
458
453
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++
1.08 K
1.11 K
本仓库是 Flutter SDK 与 Flutter Engine 的 OpenHarmony 适配版本,由 CPF-Flutter 团队维护。开发者可使用熟悉的 Flutter 技术栈开发 OpenHarmony 应用,3.35.7 及以后的适配版本可基于本仓库源码构建支持 OpenHarmony 的 Flutter Engine。
Dart
1.02 K
265
华为昇腾面向大规模分布式训练的多模态大模型套件,支撑多模态生成、多模态理解。
Python
152
250
CANNBot 是面向 CANN 开发的用于提升开发效率的系列智能体,本仓库为其提供可复用的 Skills 模块。
Python
1.01 K
627
Oohos_react_native
React Native鸿蒙化仓库
C++
357
425