Spacemacs中解决lsp-mode未知通知警告的方法
问题背景
在使用Spacemacs开发环境中,许多开发者会遇到一个特定的警告信息:"Warning (lsp-mode): Unknown notification: semgrep/rulesRefreshed"。这个警告会在打开支持LSP(语言服务器协议)的编程文件时出现,不仅会在警告缓冲区显示,还会导致Emacs窗口被自动分割,影响开发体验。
问题分析
这个警告源于lsp-mode与某些语言服务器(特别是semgrep)的交互问题。当语言服务器发送了一个lsp-mode无法识别的通知类型"semgrep/rulesRefreshed"时,lsp-mode会将其视为未知通知并生成警告。
虽然这个警告本身不会影响功能使用,但它的出现方式(自动分割窗口)确实会打断开发者的工作流。从技术角度看,这是Emacs警告系统与lsp-mode交互的一个表现问题。
解决方案
1. 全局提升警告级别
最彻底的解决方案是通过设置minimum-warning-level变量来提升Emacs的警告级别:
(setq minimum-warning-level :error)
这种方法会将所有低于错误级别的警告都过滤掉,包括这个lsp-mode的未知通知警告。优点是简单直接,缺点是会过滤掉所有非错误级别的警告。
2. 精确抑制特定类型警告
如果希望更精确地控制,可以只抑制lsp-mode相关的警告:
(add-to-list 'warning-suppress-log-types '(lsp-mode))
(add-to-list 'warning-suppress-types '(lsp-mode))
这种方法专门针对lsp-mode的警告,不会影响其他类型的警告信息。
3. 基于警告内容的过滤(高级方案)
对于需要更精细控制的开发者,可以实现一个基于警告内容正则匹配的过滤机制:
(defun my/warning-filter (warning-type _message &rest _args)
(or (not (eq warning-type 'lsp-mode))
(not (string-match "Unknown notification" (current-message)))))
(advice-add 'display-warning :before-while #'my/warning-filter)
这个方案通过advice机制拦截警告显示过程,只允许不符合特定模式的lsp-mode警告通过。
方案选择建议
对于大多数Spacemacs用户,推荐使用第二种方案(精确抑制lsp-mode警告),它在功能性和精确性之间取得了良好平衡。如果开发者环境中有多个lsp服务器可能产生不同警告,第三种方案提供了最大的灵活性。
注意事项
- 这些解决方案主要针对警告的显示方式,不会影响lsp-mode或语言服务器的实际功能
- 在抑制警告前,建议确认这些警告确实无关紧要
- 随着lsp-mode和语言服务器的更新,某些警告可能会变得不再相关
通过合理配置Emacs的警告系统,开发者可以保持一个整洁高效的工作环境,专注于代码编写而非工具干扰。
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