在blink.cmp中优化LSP补全优先级配置
2025-06-15 12:03:37作者:郦嵘贵Just
问题背景
在使用blink.cmp补全插件时,开发者可能会遇到多个语言服务器(LSP)同时提供补全建议的情况。例如在HTML文件中,同时启用vtsls和emmet_language_server时,系统可能会优先显示emmet的补全建议,而开发者更希望优先显示vtsls的补全结果。
解决方案分析
blink.cmp提供了灵活的配置选项来调整不同来源补全建议的优先级。核心思路是通过自定义排序函数来控制补全项的显示顺序。
基本配置方法
- 通过fuzzy排序配置:可以在插件配置中添加自定义排序函数,将特定LSP的补全建议降级显示。
fuzzy = {
sorts = {
function(a, b)
if a.client_name == nil or b.client_name == nil then
return
end
return b.client_name == "emmet_language_server"
end,
"score",
"sort_text",
},
},
- 注意事项:
- 确保client_name与实际运行的LSP名称完全匹配
- 自定义排序函数需要正确处理nil值情况
- 排序函数应返回布尔值,表示是否应该交换两个补全项的位置
进阶配置建议
对于更复杂的优先级控制需求,可以考虑:
- 结合文件类型:根据当前文件类型动态调整排序策略
- 上下文感知:基于代码上下文(如是否在HTML标签内)决定优先级
- 混合排序策略:结合多种排序标准(如精确匹配优先、LSP类型、关键词相关性等)
常见问题排查
- 排序函数错误:确保自定义排序函数符合Lua的排序函数规范,正确处理边界情况
- LSP名称不匹配:确认使用的client_name与实际LSP进程名称完全一致
- 性能考量:复杂的排序逻辑可能影响补全响应速度,需平衡功能与性能
最佳实践
- 优先使用内置的"score"和"sort_text"排序标准作为基础
- 仅在必要时添加自定义排序逻辑
- 通过
:h blink-cmp-recipes查阅更多配置示例 - 在复杂场景下,考虑编写更精细的上下文感知排序函数
通过合理配置blink.cmp的排序策略,开发者可以优化补全体验,使最相关的建议优先显示,提高编码效率。
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).Dockerfile015
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
306
2.69 K
deepin linux kernel
C
24
7
Ascend Extension for PyTorch
Python
136
165
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
228
仓颉编译器源码及 cjdb 调试工具。
C++
123
664
🎉 (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
615
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
72
仓颉编程语言测试用例。
Cangjie
36
665