Tridactyl浏览器插件:如何优先显示书签而非历史记录
2025-06-06 18:29:58作者:舒璇辛Bertina
在Tridactyl这款强大的浏览器插件中,用户经常需要通过命令如:open或:tabopen快速访问网页。默认情况下,这些命令的补全结果会混合显示书签和历史记录,并按某种权重排序。对于希望优先看到书签的用户,Tridactyl提供了一个优雅的解决方案。
权重机制解析
Tridactyl的补全排序基于一个灵活的权重系统。每个候选项(无论是书签还是历史记录)都会被赋予一个权重值,系统根据这个值决定它们的显示顺序。理解这一点对定制化体验至关重要。
配置书签优先显示
通过设置bmarkweight参数,用户可以显著提升书签的排序权重。这个参数决定了书签在补全列表中的"重要性"。默认情况下,这个值可能不足以让书签总是排在历史记录前面。
要将书签永久置顶,只需在Tridactyl中执行:
:set bmarkweight 10000000
这里的数值不需要精确,只需足够大以确保书签权重远高于历史记录即可。这个设置利用了Tridactyl灵活的配置系统,不需要修改源代码就能实现个性化需求。
技术实现原理
在底层,Tridactyl的补全系统会:
- 收集所有可能的候选项(书签+历史记录)
- 为每个项目计算综合权重
- 按权重降序排列显示
书签的初始权重由bmarkweight决定,而历史记录的权重则基于访问频率等因素。通过将bmarkweight设置为极大值,我们确保即使是最常访问的历史网页,其权重也无法超越书签。
最佳实践建议
- 数值选择:通常设置
bmarkweight为7-8位数就足够 - 组合配置:可以配合
maxresults限制显示数量 - 临时调整:使用
:set bmarkweight=0可以恢复默认排序 - 性能考量:过大的数值不会影响性能,因为只是比较运算
这个功能特别适合书签较多且组织良好的高级用户,能显著提升浏览效率。Tridactyl的这种设计展示了其"配置优于约定"的哲学,为用户提供了极大的灵活性。
对于Vim风格浏览器的爱好者来说,掌握这类配置技巧可以打造出真正符合个人工作流的工具,这正是Tridactyl相比其他插件的优势所在。
登录后查看全文
热门项目推荐
相关项目推荐
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
项目优选
收起
OpenHarmony documentation | OpenHarmony开发者文档
Dockerfile
305
2.68 K
deepin linux kernel
C
24
7
Ascend Extension for PyTorch
Python
136
163
React Native鸿蒙化仓库
JavaScript
233
309
暂无简介
Dart
596
130
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++
630
227
仓颉编译器源码及 cjdb 调试工具。
C++
123
642
🎉 (RuoYi)官方仓库 基于SpringBoot,Spring Security,JWT,Vue3 & Vite、Element Plus 的前后端分离权限管理系统
Vue
1.06 K
614
TorchAir 支持用户基于PyTorch框架和torch_npu插件在昇腾NPU上使用图模式进行推理。
Python
195
71
仓颉编程语言测试用例。
Cangjie
36
642