解决Emacs lsp-mode中Angular语言服务器失效问题
问题背景
在使用Emacs的lsp-mode插件开发Angular项目时,许多开发者遇到了Angular语言服务器(angular-ls)无法正常工作的情况。具体表现为在HTML模板文件中无法获得Angular特有的组件和变量的自动补全功能,而TypeScript文件中的功能却可以正常工作。
问题现象
当开发者在Angular组件的HTML模板文件中尝试访问组件类中定义的变量时,例如在双花括号{{}}中期望自动补全title变量时,系统无法提供任何建议。通过检查lsp-workspace-show-log日志,可以看到angular-ls在code-Action、hover和codeLens等操作中仅返回Result:null。
根本原因
经过深入分析,发现问题的根源在于Angular语言服务器的配置不正确。默认情况下,lsp-mode没有为angular-ls提供足够的探测路径(probe locations)信息,导致服务器无法正确解析项目中的Angular和TypeScript模块。
解决方案
要解决这个问题,需要手动配置lsp-clients-angular-language-server-command变量,为angular-ls提供必要的探测路径参数。以下是推荐的配置方式:
(setq lsp-clients-angular-language-server-command
'("ngserver"
"--stdio"
"--tsProbeLocations"
"/path/to/your/node_modules/"
"--ngProbeLocations"
"/path/to/your/node_modules/@angular/language-server/node_modules/"))
其中,/path/to/your/需要替换为实际的Node.js安装路径或项目路径。
配置详解
-
--tsProbeLocations参数:指定TypeScript模块的搜索路径,通常指向全局安装的Node模块目录或项目本地的node_modules目录。 -
--ngProbeLocations参数:指定Angular语言服务器特定模块的搜索路径,需要指向@angular/language-server包下的node_modules目录。 -
路径格式:在Windows系统上,需要使用
vim.fn.exepath来确保路径格式正确。
实现原理
这个解决方案源自对neovim中mason包配置的分析。Angular语言服务器需要知道在哪里查找TypeScript和Angular相关的模块才能正常工作。通过提供这些探测路径,服务器能够正确解析项目依赖关系,从而提供完整的语言服务功能。
注意事项
-
路径中的版本号(如v20.13.1)应根据实际安装的Node.js版本进行调整。
-
对于多项目工作环境,建议使用动态配置方式,根据当前项目根目录自动设置探测路径。
-
在Windows系统上,需要特别注意路径分隔符和可执行文件路径的处理。
结论
通过正确配置Angular语言服务器的探测路径,可以解决lsp-mode中Angular开发体验不佳的问题。这一配置确保了语言服务器能够正确解析项目结构,为HTML模板和TypeScript代码提供完整的智能提示和代码补全功能,从而提升Angular项目的开发效率。
AutoGLM-Phone-9BAutoGLM-Phone-9B是基于AutoGLM构建的移动智能助手框架,依托多模态感知理解手机屏幕并执行自动化操作。Jinja00
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
GLM-4.6V-FP8GLM-4.6V-FP8是GLM-V系列开源模型,支持128K上下文窗口,融合原生多模态函数调用能力,实现从视觉感知到执行的闭环。具备文档理解、图文生成、前端重构等功能,适用于云集群与本地部署,在同类参数规模中视觉理解性能领先。Jinja00
HunyuanOCRHunyuanOCR 是基于混元原生多模态架构打造的领先端到端 OCR 专家级视觉语言模型。它采用仅 10 亿参数的轻量化设计,在业界多项基准测试中取得了当前最佳性能。该模型不仅精通复杂多语言文档解析,还在文本检测与识别、开放域信息抽取、视频字幕提取及图片翻译等实际应用场景中表现卓越。00
GLM-ASR-Nano-2512GLM-ASR-Nano-2512 是一款稳健的开源语音识别模型,参数规模为 15 亿。该模型专为应对真实场景的复杂性而设计,在保持紧凑体量的同时,多项基准测试表现优于 OpenAI Whisper V3。Python00
GLM-TTSGLM-TTS 是一款基于大语言模型的高质量文本转语音(TTS)合成系统,支持零样本语音克隆和流式推理。该系统采用两阶段架构,结合了用于语音 token 生成的大语言模型(LLM)和用于波形合成的流匹配(Flow Matching)模型。 通过引入多奖励强化学习框架,GLM-TTS 显著提升了合成语音的表现力,相比传统 TTS 系统实现了更自然的情感控制。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