优化VSCode文件嵌套配置:将CSS文件嵌套在TSX组件下
在React/TypeScript项目中,我们经常需要为组件创建单独的CSS样式文件。传统做法是将这些CSS文件与组件文件并列放置,但随着项目规模增长,这种布局方式会导致文件列表变得冗长且难以管理。
VSCode的文件嵌套功能为解决这一问题提供了优雅方案。该功能允许开发者将相关文件(如样式文件、测试文件等)嵌套在主文件下方,从而保持项目结构的清晰。在antfu的vscode-file-nesting-config项目中,默认配置已经支持了多种文件类型的嵌套关系,包括TypeScript模块化的CSS文件(.module.css)。
然而,对于不使用CSS Modules的普通CSS文件(.css),当前的配置并未将其自动嵌套在对应的TSX组件文件下。这意味着开发者需要手动管理这些文件的位置,或者在文件资源管理器中看到分散的组件和样式文件。
技术实现上,解决方案非常简单:只需在配置文件中的TSX匹配模式中添加对普通CSS文件的匹配规则。具体来说,就是在现有的匹配模式中增加"$(capture).css"这一项。这样,当项目中出现如"Component.tsx"和"Component.css"这样的文件对时,CSS文件会自动嵌套在TSX文件下方。
这种改进不仅适用于TSX文件,同样适用于JSX文件。它遵循了前端工程中"组件化"的最佳实践,即将组件及其相关资源(样式、测试等)视为一个逻辑单元进行管理。
对于项目维护者而言,这种改动是低风险且向后兼容的。它不会影响现有功能,只是扩展了文件嵌套的覆盖范围。对于开发者而言,这一改进能显著提升项目导航体验,特别是在大型项目中,可以更快定位到特定组件的相关资源。
最终,这一优化被接受并合并到主分支中,展示了开源社区如何通过小的改进来不断提升开发者体验。这也体现了VSCode配置的高度可定制性,以及如何通过简单调整来适应不同团队的工作流程和偏好。
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