TriliumNext主题开发:理解appThemeBase与appTheme的区别与用法
在TriliumNext笔记应用中,自定义主题是用户个性化体验的重要组成部分。许多开发者在尝试创建基于TriliumNext默认主题的扩展时,可能会遇到一个常见问题:为什么使用#appThemeBase标签的主题没有出现在主题选择列表中?本文将深入解析TriliumNext的主题机制,帮助开发者正确使用这两种标签。
主题标签的核心区别
TriliumNext提供了两种主题标签,它们的功能定位有本质区别:
-
#appTheme:这是基础主题标签,用于定义完整的主题方案。当您创建一个新主题并添加此标签时,该主题会直接出现在外观设置的选择列表中。
-
#appThemeBase:这是扩展主题标签,用于在现有主题基础上进行覆盖和扩展。它不能独立使用,必须与
#appTheme配合使用。
正确使用appThemeBase
许多开发者容易误解#appThemeBase的用法,关键在于理解以下几点:
-
依赖关系:
appThemeBase必须与appTheme同时使用,它本身不会使主题出现在选择列表中。 -
限定值:目前
appThemeBase的值只能设置为"next",表示基于TriliumNext的默认主题进行扩展。如果设置其他值,系统会默认基于传统(legacy)主题进行扩展。 -
叠加机制:使用
appThemeBase的主题不会完全替换基础主题,而是作为基础主题的补充和覆盖层。
实际应用示例
假设我们要创建一个名为"Midnight"的暗色主题,基于TriliumNext默认主题进行修改:
- 首先创建新笔记作为主题
- 添加两个标签:
#appTheme = Midnight#appThemeBase = next
- 在笔记内容中只编写需要覆盖的CSS规则,无需重复基础主题的全部内容
这种模式下,当用户选择"Midnight"主题时,系统会先加载TriliumNext默认主题,然后应用您的自定义规则,实现渐进增强的效果。
最佳实践建议
- 当需要完全自定义主题时,仅使用
#appTheme标签 - 当只需要调整默认主题的某些方面时,使用
#appTheme+#appThemeBase组合 - 通过浏览器开发者工具先测试CSS覆盖效果,再实际创建主题笔记
- 保持扩展主题的轻量化,只覆盖必要的样式规则
理解这些主题标签的正确用法,可以帮助开发者更高效地创建和维护TriliumNext主题,同时确保主题系统的灵活性和可扩展性。对于想要深度定制但又希望保留TriliumNext核心视觉风格的用户,appThemeBase机制提供了完美的平衡点。
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
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
MiniMax-M2MiniMax-M2是MiniMaxAI开源的高效MoE模型,2300亿总参数中仅激活100亿,却在编码和智能体任务上表现卓越。它支持多文件编辑、终端操作和复杂工具链调用Python00
HunyuanVideo-1.5HunyuanVideo-1.5作为一款轻量级视频生成模型,仅需83亿参数即可提供顶级画质,大幅降低使用门槛。该模型在消费级显卡上运行流畅,让每位开发者和创作者都能轻松使用。本代码库提供生成创意视频所需的实现方案与工具集。00
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 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
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