Eglot项目中的LSP补全请求取消问题解析
2025-07-02 13:19:29作者:滑思眉Philip
在Emacs生态系统中,Eglot作为Language Server Protocol(LSP)客户端,为开发者提供了强大的代码补全功能。然而,在某些特定场景下,快速输入会导致补全结果出现异常,这个问题最近得到了修复。
问题现象
当用户在使用Java语言服务器(jdtls)时,如果完成以下操作序列:
- 触发代码补全
- 选择补全项
- 快速输入后续内容
系统会在缓冲区中插入多余的文本内容。这个问题特别容易在性能较弱的机器上重现,表明它与请求处理时序有关。
技术分析
深入分析发现,问题的根源在于Eglot处理LSP补全请求的机制。Eglot的补全流程包含几个关键步骤:
- 首先插入补全项的标签(label)
- 然后发起一个
completionItem/resolve请求获取详细补全信息 - 最后应用从服务器返回的
textEdit或snippet
在原始实现中,completionItem/resolve请求被配置为"可取消"状态。当用户在补全后快速输入时,这个请求可能被取消,导致系统只完成了标签插入,而没有应用最终的文本编辑。
解决方案
修复方案的核心是区分两种不同的补全解析请求:
- 常规的补全解析请求:保持可取消性,避免阻塞用户输入
- 补全退出时的解析请求:必须确保完成,不可取消
具体实现上,修改了eglot-completion-at-point函数,为:exit函数中的解析请求添加了dont-cancel-on-input标志。这样即使快速输入,也能保证补全流程完整执行。
技术意义
这个修复不仅解决了特定场景下的bug,还体现了几个重要的LSP客户端设计原则:
- 请求生命周期管理:不同类型的请求需要不同的取消策略
- 用户交互响应性:常规操作不应阻塞用户输入
- 操作原子性:关键操作序列需要保证完整性
对于Emacs用户而言,这个改进使得代码补全体验更加稳定可靠,特别是在使用复杂的语言服务器如jdtls时。它也展示了Eglot项目对细节的关注和对用户体验的持续优化。
最佳实践
开发者在使用Eglot时应注意:
- 了解语言服务器的特性:不同服务器可能有不同的补全行为
- 注意操作时序:快速连续操作可能触发边缘情况
- 关注性能影响:在资源有限的机器上更可能出现时序问题
这个修复已经合并到Emacs主分支,用户可以通过更新Emacs获取改进后的体验。
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
HunyuanVideo-1.5HunyuanVideo-1.5作为一款轻量级视频生成模型,仅需83亿参数即可提供顶级画质,大幅降低使用门槛。该模型在消费级显卡上运行流畅,让每位开发者和创作者都能轻松使用。本代码库提供生成创意视频所需的实现方案与工具集。00
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
Ascend Extension for PyTorch
Python
192
212
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++
650
270
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
296
111
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
384
3.69 K
仓颉编译器源码及 cjdb 调试工具。
C++
128
857
Nop Platform 2.0是基于可逆计算理论实现的采用面向语言编程范式的新一代低代码开发平台,包含基于全新原理从零开始研发的GraphQL引擎、ORM引擎、工作流引擎、报表引擎、规则引擎、批处理引引擎等完整设计。nop-entropy是它的后端部分,采用java语言实现,可选择集成Spring框架或者Quarkus框架。中小企业可以免费商用
Java
9
1
React Native鸿蒙化仓库
JavaScript
243
316
本项目是CANN提供的是一款高效、可靠的Transformer加速库,基于华为Ascend AI处理器,提供Transformer定制化场景的高性能融合算子。
C++
66
96
暂无简介
Dart
633
143