Aerial.nvim 2.5.0版本发布:增强Tree-sitter支持与语言覆盖
Aerial.nvim是一款为Neovim设计的代码大纲插件,它能够以侧边栏或浮动窗口的形式展示当前文件的代码结构。该插件支持通过LSP和Tree-sitter两种方式解析代码结构,为开发者提供了便捷的代码导航功能。
Tree-sitter支持显著增强
在2.5.0版本中,Aerial.nvim显著增强了其对Tree-sitter解析器的支持,新增了对多种编程语言的Tree-sitter查询支持:
-
Nushell支持:新增了对Nushell脚本语言的Tree-sitter查询支持,使得这种现代shell脚本语言也能享受到完整的代码大纲功能。
-
Fish Shell支持:为Fish shell添加了Tree-sitter查询,完善了shell脚本家族的支持范围。
-
PHP作用域提取:改进了PHP语言的Tree-sitter后端,现在能够正确提取函数作用域信息,使得PHP代码的结构展示更加准确。
-
强制Tree-sitter符号支持:通过新的强制机制,确保Tree-sitter能够稳定地提供符号信息,提高了插件的可靠性。
与Snacks Picker的集成
2.5.0版本新增了与Snacks picker的集成功能。Snacks是一个轻量级的Neovim选择器插件,这次集成使得用户可以通过Snacks界面快速选择和跳转到代码中的符号,进一步丰富了Aerial.nvim的交互方式。
问题修复与改进
本次更新还包含了一些重要的修复和改进:
-
默认LSP行为保持不变:修复了一个可能影响vim.lsp.buf.document_symbol默认行为的问题,确保与其他LSP插件的兼容性。
-
Groovy解析器更新:针对Groovy语言的Tree-sitter解析器更新,重新生成了快照以确保兼容性。
-
Djot查询更新:根据上游变化更新了Djot标记语言的查询,保持与最新语法规则的同步。
技术价值与应用场景
Aerial.nvim 2.5.0版本的这些改进特别适合以下场景:
-
多语言开发者:新增的Nushell和Fish支持,加上已有的多种语言支持,使得使用多种编程语言的开发者能够获得一致的代码导航体验。
-
PHP项目维护:改进的PHP作用域提取功能对于维护大型PHP项目特别有价值,能够更清晰地展示代码结构层次。
-
快速代码导航需求:与Snacks picker的集成为偏好键盘操作的用户提供了更高效的代码导航方式。
Aerial.nvim通过持续增强Tree-sitter支持,正在逐步减少对LSP的依赖,这使得它能够在更多环境和场景下工作,包括那些尚未配置LSP的项目。这种技术路线选择体现了插件对稳定性和广泛适用性的追求。
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