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。
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-X1-7BSpark-Prover-X1-7B 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-X1-7BSpark-Formalizer-X1-7B 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