Semi Design Table 组件 rowSelection.getCheckboxProps 属性优化解析
Semi Design 是一个优秀的企业级设计系统,其 Table 组件提供了丰富的功能以满足复杂业务场景的需求。在最新版本中,开发团队修复了一个关于 rowSelection.getCheckboxProps 属性的重要问题,这个改进对于使用表格选择功能的开发者来说具有重要意义。
问题背景
在表格组件的使用中,rowSelection 属性允许开发者配置行选择功能。其中的 getCheckboxProps 方法用于为每一行的选择框设置额外属性。在之前的实现中,该方法允许返回包含 checked 或 defaultChecked 属性的对象,这实际上会导致选择状态管理的混乱。
问题本质
选择框的状态管理应该由 Table 组件内部统一处理,通过 selectedRowKeys 等属性来控制。当开发者通过 getCheckboxProps 返回 checked 或 defaultChecked 属性时,会与组件内部的状态管理产生冲突,导致不可预期的行为。
这种设计违反了 React 的状态管理原则,即单一数据源原则。理想情况下,选择状态应该只由一个地方控制,而不是同时在组件内部和外部属性中定义。
解决方案
在 v2.62.0 版本中,Semi Design 团队修复了这个问题。现在:
- getCheckboxProps 返回的对象中如果包含 checked 或 defaultChecked 属性,这些属性将被忽略
- 类型定义(TypeScript接口)也相应更新,明确排除了这些属性
- 选择状态完全由 selectedRowKeys 和相关的回调函数控制
最佳实践
基于这一改进,开发者在使用 Table 的选择功能时应该:
- 避免在 getCheckboxProps 中返回 checked/defaultChecked 属性
- 使用 selectedRowKeys 状态和 onChange 回调来管理选择状态
- 对于需要禁用某些行选择的场景,仍然可以使用 disabled 属性
- 其他自定义属性(如 name)可以正常使用
技术实现细节
在底层实现上,Semi Design 团队可能采用了属性过滤的方式,在将属性传递给实际的 Checkbox 组件前,移除了可能引起冲突的 checked 相关属性。这保证了状态管理的单一性,同时保持了 API 的向后兼容性。
升级建议
对于正在使用旧版本 Semi Design 的开发者:
- 检查项目中是否在 getCheckboxProps 中使用了 checked/defaultChecked
- 将这些状态管理迁移到 selectedRowKeys 和 onChange 回调中
- 升级到 v2.62.0 或更高版本以获得更稳定的行为
这一改进体现了 Semi Design 团队对 API 设计一致性和状态管理严谨性的重视,使得表格选择功能更加可靠和可预测。
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