conventional-changelog-recommended-bump v10 自定义预设配置指南
2025-05-28 08:56:29作者:晏闻田Solitary
conventional-changelog-recommended-bump 是一个用于根据 Git 提交历史自动推荐版本号变更的工具。在 v10 版本中,API 发生了重大变化,特别是关于自定义预设的配置方式。本文将详细介绍如何在 v10 版本中正确配置自定义预设。
新旧版本 API 对比
在 v9 版本中,开发者可以直接通过 options 对象传递完整的配置参数,包括自定义模板和解析选项。这种方式虽然直观,但灵活性不足。
v10 版本采用了更模块化的设计,通过 Bumper 类的链式调用提供了更细粒度的控制。主要变化包括:
- 移除了直接的 options 参数
- 引入了 commits()、tag() 和 bump() 方法链
- 将配置分散到各个方法中
v10 版本配置方法
要使用自定义预设,现在需要通过 Bumper 类的实例方法进行配置:
new Bumper()
.commits({
path: '...' // 指定提交路径
}, parserOpts) // 传递解析选项
.tag({
prefix: '...' // 指定标签前缀
})
.bump(whatBump) // 执行版本推荐
关键配置项详解
commits() 方法
commits() 方法接受两个参数:
-
第一个参数是 GetCommitsParams 对象,可以配置:
- path: 指定要分析的提交路径
- from: 起始提交
- to: 结束提交
-
第二个参数是 parserOpts,用于配置提交信息的解析选项,包括:
- headerPattern: 提交头部的正则模式
- breakingHeaderPattern: 破坏性变更的正则模式
- noteKeywords: 注释关键词
- revertPattern: 回退模式
tag() 方法
tag() 方法用于配置版本标签相关选项,可以传递:
- prefix: 标签前缀(适用于 monorepo 场景)
- skipUnstable: 是否跳过不稳定版本
bump() 方法
bump() 方法执行实际的版本推荐计算,可以传递 whatBump 函数来自定义推荐逻辑。
实际应用示例
以下是一个完整的配置示例,展示了如何自定义 breakingHeaderPattern:
const bumper = new Bumper();
const result = bumper
.commits(
{},
{
breakingHeaderPattern: /^(\w*)(?:\((.*)\))?!: (.*)$/ // 自定义破坏性变更模式
}
)
.tag({
prefix: 'pkg-' // 自定义标签前缀
})
.bump((commits) => {
// 自定义版本推荐逻辑
if (commits.some(commit => commit.notes.some(note => note.title === 'BREAKING CHANGE'))) {
return { level: 0 }; // 主版本
}
return { level: 1 }; // 次版本
});
迁移建议
从 v9 迁移到 v10 时,建议:
- 将原来的 options 对象拆解到各个方法中
- 特别注意 parserOpts 现在作为 commits() 的第二个参数传递
- 原来的 lernaPackage 配置可以通过 tag() 方法的 prefix 参数实现
通过这种新的配置方式,v10 版本提供了更灵活、更清晰的 API 设计,虽然迁移需要一些工作,但长期来看更易于维护和扩展。
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
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
Spark-Prover-X1-7BSpark-Prover 是由科大讯飞团队开发的专用大型语言模型,专为 Lean4 中的自动定理证明而设计。该模型采用创新的三阶段训练策略,显著增强了形式化推理能力,在同等规模的开源模型中实现了最先进的性能。Python00
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
项目优选
收起
deepin linux kernel
C
24
7
OpenHarmony documentation | OpenHarmony开发者文档
Dockerfile
316
2.74 K
仓颉编译器源码及 cjdb 调试工具。
C++
124
852
Ascend Extension for PyTorch
Python
155
178
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++
639
246
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
241
85
暂无简介
Dart
606
136
React Native鸿蒙化仓库
JavaScript
239
310
旨在打造算法先进、性能卓越、高效敏捷、安全可靠的密码套件,通过轻量级、可剪裁的软件技术架构满足各行业不同场景的多样化要求,让密码技术应用更简单,同时探索后量子等先进算法创新实践,构建密码前沿技术底座!
C
1.03 K
470
本仓将收集和展示高质量的仓颉示例代码,欢迎大家投稿,让全世界看到您的妙趣设计,也让更多人通过您的编码理解和喜爱仓颉语言。
Cangjie
364
3.02 K