Doom Emacs中LaTeXMk编译后PDF自动刷新的问题与解决方案
问题背景
在使用Doom Emacs进行LaTeX文档编辑时,用户发现当使用LaTeXMk作为默认编译工具时,编译完成后PDF缓冲区不会自动刷新显示最新生成的PDF文件内容。这个问题影响了用户的工作流程,需要手动刷新PDF缓冲区才能看到最新的编译结果。
技术分析
经过深入分析,发现问题的根源在于AUCTeX对LaTeXMk命令的处理方式。AUCTeX默认将LaTeXMk命令配置为使用TeX-run-format作为执行函数,而不是常规的TeX-run-TeX。关键区别在于:
TeX-run-format不会在编译完成后触发TeX-after-compilation-finished-functions钩子- 这个钩子正是负责自动刷新PDF缓冲区的关键机制
在LaTeX模式下,AUCTeX默认将TeX-sentinel-default-function设置为TeX-LaTeX-sentinel,这个函数会触发上述钩子。但对于LaTeXMk命令,由于使用了不同的执行函数,导致这个机制失效。
解决方案演进
最初提出的解决方案有以下几种:
-
直接修改命令列表:通过修改
TeX-command-list中的LaTeXMk条目,将其执行函数改为TeX-run-TeX。这种方法虽然能触发自动刷新,但会导致初次编译时出现错误提示。 -
使用建议机制:通过为
TeX-TeX-sentinel函数添加after建议,在编译完成后手动触发TeX-after-compilation-finished-functions钩子。这种方法更加稳健,不会影响原有编译流程。
Doom Emacs最终采用了第二种方案,通过添加建议机制来解决问题。这种实现方式:
- 保持了原有编译流程不变
- 只在编译成功时触发PDF刷新
- 不会引入额外的错误提示
- 与AUCTeX的原有设计更加兼容
技术实现细节
核心实现是通过Emacs的建议机制来扩展原有功能:
(defun +latex--ensure-TeX-after-compilation-finished-hook-a (orig-fn &rest args)
"Ensure `TeX-after-compilation-finished-functions' runs after compilation."
(let ((res (apply orig-fn args)))
(unless (TeX-error-report-has-errors-p)
(run-hook-with-args 'TeX-after-compilation-finished-functions
(with-current-buffer TeX-command-buffer
(expand-file-name
(TeX-active-master (TeX-output-extension))))))
res))
这段代码包装了原有的sentinel函数,在编译没有错误时手动触发刷新钩子。
未来展望
值得注意的是,AUCTeX上游已经提交了相关修复,未来版本可能会原生支持LaTeXMk编译后的自动刷新功能。届时Doom Emacs可以移除这个临时解决方案,直接使用上游的完善实现。
使用建议
对于普通用户,只需更新到最新版Doom Emacs即可自动获得此修复。对于需要自定义配置的用户,可以参考以下建议:
- 如果确实需要修改默认编译命令,建议使用
setq-hook!针对LaTeX模式进行设置 - 对于高级用户,可以探索其他LaTeX编译工具与AUCTeX的集成方式
- 关注AUCTeX的更新,及时调整本地配置
这个问题及其解决方案展示了Emacs配置管理中"不破坏原有工作流程"的原则,以及如何通过建议机制优雅地扩展现有功能。
atomcodeClaude Code 的开源替代方案。连接任意大模型,编辑代码,运行命令,自动验证 — 全自动执行。用 Rust 构建,极致性能。 | An open-source alternative to Claude Code. Connect any LLM, edit code, run commands, and verify changes — autonomously. Built in Rust for speed. Get StartedRust0194
cann-learning-hubCANN 学习中心仓,支持在线互动运行、边学边练,提供教程、示例与优化方案,一站式助力昇腾开发者快速上手。Jupyter Notebook0121
MiMo-V2.5-Pro-FP4-DFlashMiMo-V2.5-Pro-FP4-DFlash 是驱动 MiMo-V2.5-Pro-UltraSpeed 的底层模型: FP4 量化骨干网络:对 MoE 专家采用 MXFP4 量化,同时保持模型其他部分的更高精度,在几乎无损质量的前提下,显著减小模型体积并降低内存带宽压力。 BF16 DFlash 草稿生成器:用于块扩散推测解码,每次前向传播可生成一整个块的 tokens,并让骨干网络一步完成验证。 两者协同作用,既降低了每参数的位宽,又减少了骨干网络前向传播的次数,而这两者正是万亿参数模型解码过程中的两大主要成本来源。Python00
JoyAI-EchoJoyAI-Echo,这是一个独立的、仅用于推理的版本,旨在实现分钟级多镜头音视频生成。它采用了经过蒸馏的DMD生成器、配对的跨模态记忆以及故事级别的一致性。其性能的核心在于,一个跨模态视听记忆库能够在长达五分钟的视频中保持角色外观和语音音色的一致性。同时,一个训练后处理流程将基于记忆的强化学习与分布匹配蒸馏相结合,实现了7.5倍的速度提升,显著增强了视觉质量和对齐效果。00
AstrBot✨ 易上手的多平台 LLM 聊天机器人及开发框架 ✨ 平台支持 QQ、QQ频道、Telegram、微信、企微、飞书 | OpenAI、DeepSeek、Gemini、硅基流动、月之暗面、Ollama、OneAPI、Dify 等。附带 WebUI。Python05
handy-ollama动手学Ollama,CPU玩转大模型部署,在线阅读地址:https://datawhalechina.github.io/handy-ollama/Jupyter Notebook06