EventCatalog项目中的Tree View路径重复问题分析与修复
在EventCatalog项目2.23.1版本中,开发团队引入了一个新的Tree View功能,这个功能为用户提供了更直观的导航体验。然而,在实际使用过程中,用户发现了一个影响导航功能的路径问题。
问题现象
当用户在配置了基础路径(basePath)的环境中启用Tree View功能时,系统生成的导航链接会出现基础路径被重复添加的情况。例如,当用户访问https://mydomain.tld/basePath/docs/页面时,点击某个域名的链接后,系统会错误地生成https://mydomain.tld/basePath/basePath/domains/mydomain/1.0.0/这样的URL,而正确的URL应该是https://mydomain.tld/basePath/domains/mydomain/1.0.0/。
问题根源
经过开发团队分析,这个问题源于Tree View组件中的路径生成逻辑存在缺陷。在生成导航链接时,系统错误地重复添加了基础路径部分。具体来说,问题出现在Tree View组件的路径处理函数中,该函数没有正确处理已经包含基础路径的情况。
解决方案
开发团队提出了两种解决方案:
-
直接修复方案:修改路径生成逻辑,确保基础路径不会被重复添加。这需要对路径拼接逻辑进行重构,确保在生成最终URL时只包含一次基础路径。
-
更健壮的解决方案:通过分析当前路径,智能识别出正确的路径结构。具体实现方式是使用路径分割技术,从当前URL中提取出"docs"或"visualiser"这样的关键路径段,作为新的基础路径参考点。
最终,团队采用了第二种更健壮的解决方案,因为它不仅解决了当前问题,还能更好地适应未来可能的路径结构变化。核心修复代码如下:
const basePathname = currentPath.split('/').find(p => p === 'docs' || p === 'visualiser') ?? 'docs';
这段代码通过分割当前路径,找到关键路径段("docs"或"visualiser"),如果找不到则默认使用"docs"作为基础路径名。这种方法确保了生成的URL结构始终正确。
技术启示
这个问题的解决过程为我们提供了几个重要的技术启示:
-
路径处理要谨慎:在Web应用中处理路径时,必须特别注意基础路径的处理,避免重复或遗漏。
-
考虑多种使用场景:开发功能时要考虑不同的部署环境,特别是当应用可能被部署在子路径下时。
-
采用健壮的解决方案:简单的修复可能解决眼前问题,但更健壮的解决方案能够预防未来可能出现的问题。
这个问题的及时修复确保了EventCatalog的Tree View功能在各种部署环境下都能正常工作,为用户提供了流畅的导航体验。
ERNIE-4.5-VL-28B-A3B-ThinkingERNIE-4.5-VL-28B-A3B-Thinking 是 ERNIE-4.5-VL-28B-A3B 架构的重大升级,通过中期大规模视觉-语言推理数据训练,显著提升了模型的表征能力和模态对齐,实现了多模态推理能力的突破性飞跃Python00
unified-cache-managementUnified Cache Manager(推理记忆数据管理器),是一款以KV Cache为中心的推理加速套件,其融合了多类型缓存加速算法工具,分级管理并持久化推理过程中产生的KV Cache记忆数据,扩大推理上下文窗口,以实现高吞吐、低时延的推理体验,降低每Token推理成本。Python03
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
Spark-Prover-7BSpark-Prover-7B is a 7B-parameter large language model developed by iFLYTEK for automated theorem proving in Lean4. It generates complete formal proofs for mathematical theorems using a three-stage training framework combining pre-training, supervised fine-tuning, and reinforcement learning. The model achieves strong formal reasoning performance and state-of-the-art results across multiple theorem-proving benchmarksPython00
MiniCPM-V-4_5MiniCPM-V 4.5 是 MiniCPM-V 系列中最新且功能最强的模型。该模型基于 Qwen3-8B 和 SigLIP2-400M 构建,总参数量为 80 亿。与之前的 MiniCPM-V 和 MiniCPM-o 模型相比,它在性能上有显著提升,并引入了新的实用功能Python00
Spark-Formalizer-7BSpark-Formalizer-7B is a 7B-parameter large language model by iFLYTEK for mathematical auto-formalization. It translates natural-language math problems into precise Lean4 formal statements, achieving high accuracy and logical consistency. The model is trained with a two-stage strategy combining large-scale pre-training and supervised fine-tuning for robust formal reasoning.Python00
GOT-OCR-2.0-hf阶跃星辰StepFun推出的GOT-OCR-2.0-hf是一款强大的多语言OCR开源模型,支持从普通文档到复杂场景的文字识别。它能精准处理表格、图表、数学公式、几何图形甚至乐谱等特殊内容,输出结果可通过第三方工具渲染成多种格式。模型支持1024×1024高分辨率输入,具备多页批量处理、动态分块识别和交互式区域选择等创新功能,用户可通过坐标或颜色指定识别区域。基于Apache 2.0协议开源,提供Hugging Face演示和完整代码,适用于学术研究到工业应用的广泛场景,为OCR领域带来突破性解决方案。00- HHowToCook程序员在家做饭方法指南。Programmer's guide about how to cook at home (Chinese only).Dockerfile014
Spark-Scilit-X1-13B科大讯飞Spark Scilit-X1-13B基于最新一代科大讯飞基础模型,并针对源自科学文献的多项核心任务进行了训练。作为一款专为学术研究场景打造的大型语言模型,它在论文辅助阅读、学术翻译、英语润色和评论生成等方面均表现出色,旨在为研究人员、教师和学生提供高效、精准的智能辅助。Python00- PpathwayPathway is an open framework for high-throughput and low-latency real-time data processing.Python00