Blink.cmp v0.13.0 发布:纯 Lua 模式与多项优化
Blink.cmp 是一款基于 Neovim 的高性能补全插件,它通过 Rust 和 Lua 的混合实现提供了流畅的代码补全体验。最新发布的 v0.13.0 版本带来了多项重要改进,包括纯 Lua 模式支持、性能优化以及用户体验提升。
纯 Lua 模式支持
v0.13.0 版本最引人注目的特性是新增了纯 Lua 实现模式。这一特性允许用户在不需要 Rust 依赖的情况下使用 Blink.cmp,当 Rust 实现不可用时,插件会自动回退到 Lua 实现并发出警告。这种设计既保留了 Rust 实现的高性能优势,又提高了插件的兼容性和易用性。
纯 Lua 模式特别适合以下场景:
- 在不支持 Rust 的环境中部署
- 需要快速测试或评估插件功能
- 对性能要求不高但需要稳定性的场景
命令行补全行为优化
新版本对命令行补全的默认行为进行了调整,使其更符合 Neovim 内置命令行补全的预期。具体改进包括:
- 默认启用了与 noice.nvim 兼容的幽灵文本功能
- 优化了补全菜单的显示逻辑
- 改进了补全项的选择行为
这些改进使得命令行补全体验更加自然流畅,减少了用户需要手动配置的工作量。
性能优化与兼容性提升
v0.13.0 版本在多方面进行了性能优化:
-
多 LSP 性能优化:解决了当同时使用多个 LSP(特别是 tailwind 和 emmet)时补全速度变慢的问题。通过引入 LSP isIncomplete 缓存机制,显著提升了多语言服务器协同工作时的响应速度。
-
预构建二进制文件兼容性:现在预构建的二进制文件可以支持更老的系统,最低可兼容到 Ubuntu 14.04。这通过以下技术实现:
- 设置 glibc 最低版本为 2.21
- 使用 zig 工具链构建 glibc 2.27 版本
-
加载指示器:当获取补全内容耗时较长时,现在会显示加载指示器,改善了用户体验。
开发者体验改进
新版本为插件开发者提供了更多便利:
-
源开发支持:现在源可以定义 kind_icon、kind_hl 和 kind_name,为补全项提供更丰富的元数据。同时新增了编写自定义源的指南文档,降低了开发门槛。
-
API 扩展:新增了 get_selected_item_idx 和 get_items API,使开发者能够更灵活地获取当前选中的补全项和所有补全项信息。
-
幽灵文本配置:增加了 show_with_menu 和 show_without_menu 配置项,提供了对幽灵文本显示行为的更精细控制。
其他重要改进
- 跨平台支持:新增了对 Android 平台的支持,扩展了插件的使用场景。
- 文档优化:解决了文档生成过程中的问题,提高了文档质量。
- bug修复:修复了包括补全项缓存、命令行参数处理、插入文本编辑等多个问题。
总结
Blink.cmp v0.13.0 通过引入纯 Lua 模式、优化多 LSP 性能、改进命令行补全行为等多项改进,进一步提升了插件的稳定性、兼容性和用户体验。对于开发者而言,新增的 API 和源开发支持使得扩展插件功能更加便捷。这些改进使得 Blink.cmp 成为 Neovim 生态中更加强大和易用的代码补全解决方案。
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 StartedRust0191
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 Notebook0118
Step-3.7-FlashStep-3.7-Flash是一个拥有 1980 亿参数的稀疏混合专家(MoE)视觉语言模型,由 1960 亿参数的语言主干网络和 18 亿参数的视觉编码器组合而成,具备原生图像理解能力。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
fun-rec推荐系统入门教程,在线阅读地址:https://datawhalechina.github.io/fun-rec/Python03
so-large-lm大模型基础: 一文了解大模型基础知识01