Multi-Account Containers扩展在Firefox 136版本中的菜单项处理问题解析
问题背景
Mozilla Firefox的多账户容器扩展(Multi-Account Containers)是一个强大的工具,它允许用户在不同的容器中隔离浏览会话。然而,随着Firefox 136版本的发布,该扩展开始在控制台输出大量错误信息,影响了开发者和用户的体验。
技术细节分析
在Firefox 136版本中,Mozilla对浏览器扩展API进行了重要变更,特别是针对menus.remove和menus.update方法的行为进行了调整。在之前的版本中,尝试删除不存在的菜单项时会静默成功,而新版本则会明确抛出错误。
Multi-Account Containers扩展中的assignManager.js文件存在以下两个关键问题:
-
异步处理不足:代码直接调用
browser.contextMenus.remove(...)而没有使用await关键字,导致错误无法被正确捕获和处理。 -
前置检查缺失:代码在删除菜单项前没有验证这些菜单项是否存在,直接尝试删除,这在Firefox 136中会触发错误。
错误表现
在控制台中可以看到如下典型的错误信息:
Uncaught (in promise) Error: Cannot find menu item with id open-in-this-container
Uncaught (in promise) Error: Cannot find menu item with id remove-open-in-this-container
Uncaught (in promise) Error: Cannot find menu item with id separator
...
这些错误虽然不会影响扩展的核心功能,但会造成控制台的日志污染,可能干扰开发者调试其他问题。
解决方案建议
针对这个问题,开发者可以考虑以下改进方案:
-
错误捕获:在调用
contextMenus.remove时添加.catch(() => {})来静默处理不存在的菜单项错误。 -
存在性检查:在删除菜单项前,先使用
contextMenus.getAll方法检查菜单项是否存在。 -
异步处理改进:确保所有异步操作都正确使用
await关键字,避免未处理的Promise拒绝。
影响范围
这个问题主要影响:
- 开发者调试体验
- 浏览器控制台的整洁度
- 扩展的日志分析
值得注意的是,这个问题不会影响普通用户的日常使用体验,也不会影响扩展的核心功能。
总结
Firefox 136对扩展API行为的改变暴露了Multi-Account Containers扩展中菜单项处理的一些潜在问题。虽然这些问题不会造成功能上的缺陷,但良好的错误处理是高质量代码的重要标志。开发者应该考虑更新代码以适应新的API行为,同时提高代码的健壮性。
对于普通用户来说,这些控制台错误可以安全忽略,等待扩展的下一个版本更新即可解决这个问题。
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-7BSpark-Prover-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-7BSpark-Formalizer-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