Style Dictionary 中 DTCG 格式的引用排序问题解析
问题背景
在 Style Dictionary 这个流行的设计令牌管理工具中,用户在使用 DTCG(Design Tokens Community Group)标准格式时遇到了一个关键问题:当设计令牌之间存在引用关系时,生成的 CSS/Sass 变量声明顺序出现了错误。
问题现象
在传统的 Style Dictionary 格式下,当定义如下设计令牌时:
{
"colors": {
"red": {
"value": "#ff0000",
"type": "color"
},
"primary": {
"value": "{colors.red}",
"type": "color"
}
}
}
生成的 Sass 变量输出顺序是正确的:
$colors-red: #ff0000;
$colors-primary: $colors-red;
但当切换到 DTCG 格式后:
{
"colors": {
"red": {
"$value": "#ff0000",
"$type": "color"
},
"primary": {
"$value": "{colors.red}",
"$type": "color"
}
}
}
生成的 Sass 变量顺序却出现了问题:
$colors-primary: $colors-red;
$colors-red: #ff0000;
这种错误的声明顺序会导致 CSS 预处理器报错,因为变量在被引用时尚未定义。
技术原因分析
问题的根源在于 Style Dictionary 的 sortByReference 函数实现。该函数负责确保被引用的变量先于引用它们的变量声明。在 DTCG 格式下,函数未能正确处理以 $ 为前缀的属性名(如 $value 替代传统的 value)。
具体来说,sortByReference 函数内部仍然硬编码检查 value 属性,而没有根据 usesDtcg 配置动态调整为检查 $value 属性。这导致函数无法正确识别 DTCG 格式下的引用关系,从而产生错误的排序结果。
解决方案探讨
临时解决方案
目前可以通过修改 sortByReference 函数,使其根据 usesDtcg 配置动态选择检查 value 或 $value 属性。这需要在函数调用时传递 usesDtcg 选项。
长期架构改进
从架构角度看,当前实现存在几个问题:
-
代码重复:整个代码库中大量存在
usesDtcg ? '$value' : 'value'这样的条件判断,增加了维护成本。 -
测试覆盖不足:DTCG 格式的测试用例较少,主要集中在
w3c-forward-compat.test.js文件中。 -
混合格式支持:当前架构同时支持传统格式和 DTCG 格式,增加了复杂性。
理想的长期解决方案是在未来主要版本(如 v5)中:
-
统一内部格式:在内部处理阶段统一转换为 DTCG 格式,消除格式判断逻辑。
-
移除传统格式支持:简化代码库,专注于单一标准。
-
增强测试覆盖:为 DTCG 格式建立全面的测试套件。
开发者建议
对于当前需要解决此问题的开发者:
-
可以暂时使用 PR 提供的修复方案。
-
在自定义格式或转换器中,确保正确处理 DTCG 格式的属性名。
-
避免在设计令牌文件中混合使用传统格式和 DTCG 格式。
-
关注 Style Dictionary 的未来版本更新,计划向纯 DTCG 格式迁移。
总结
这个排序问题揭示了 Style Dictionary 在支持多格式标准时面临的架构挑战。虽然当前可以通过补丁修复,但根本解决方案需要更彻底的架构调整。这也提醒我们,在设计工具时,对新兴标准的支持需要更全面的考虑,包括测试覆盖和内部数据表示的统一性。
GLM-5智谱 AI 正式发布 GLM-5,旨在应对复杂系统工程和长时域智能体任务。Jinja00
GLM-5.1GLM-5.1是智谱迄今最智能的旗舰模型,也是目前全球最强的开源模型。GLM-5.1大大提高了代码能力,在完成长程任务方面提升尤为显著。和此前分钟级交互的模型不同,它能够在一次任务中独立、持续工作超过8小时,期间自主规划、执行、自我进化,最终交付完整的工程级成果。Jinja00
MiniMax-M2.7MiniMax-M2.7 是我们首个深度参与自身进化过程的模型。M2.7 具备构建复杂智能体应用框架的能力,能够借助智能体团队、复杂技能以及动态工具搜索,完成高度精细的生产力任务。Python00- QQwen3.5-397B-A17BQwen3.5 实现了重大飞跃,整合了多模态学习、架构效率、强化学习规模以及全球可访问性等方面的突破性进展,旨在为开发者和企业赋予前所未有的能力与效率。Jinja00
HY-Embodied-0.5这是一套专为现实世界具身智能打造的基础模型。该系列模型采用创新的混合Transformer(Mixture-of-Transformers, MoT) 架构,通过潜在令牌实现模态特异性计算,显著提升了细粒度感知能力。Jinja00
LongCat-AudioDiT-1BLongCat-AudioDiT 是一款基于扩散模型的文本转语音(TTS)模型,代表了当前该领域的最高水平(SOTA),它直接在波形潜空间中进行操作。00