Style Dictionary项目中处理Tokens Studio字体尺寸单位问题
问题背景
在使用Style Dictionary处理来自Tokens Studio for Figma的设计令牌时,开发者遇到了一个常见问题:无法为字体尺寸值自动添加px或rem单位。原始令牌数据如下所示:
"body": {
"value": "16",
"type": "fontSizes"
}
开发者期望的输出是带有单位的CSS变量,例如:
$sd-font-sizes-body: 16px;
但实际得到的输出却是不带单位的纯数字:
$sd-font-sizes-body: 16;
问题根源分析
这个问题源于Tokens Studio与DTCG(Design Token Community Group)规范在类型命名上的不一致:
- DTCG规范中定义字体尺寸的类型名称为
fontSize(单数形式) - Tokens Studio则使用了
fontSizes(复数形式)作为类型名称
Style Dictionary内置的size/px和size/rem转换器是按照DTCG规范实现的,因此只识别fontSize类型的令牌,而忽略了fontSizes类型的令牌。
解决方案
针对使用Tokens Studio生成的设计令牌,推荐以下解决方案:
-
使用专门为Tokens Studio设计的转换器
可以使用@tokens-studio/sd-transforms包中的ts/size/px转换器,这个转换器专门适配了Tokens Studio的类型命名约定。 -
配置转换器
在Style Dictionary配置文件中,将转换器从size/px替换为ts/size/px:"transforms": [ "attribute/cti", "name/cti/kebab", "time/seconds", "content/icon", "color/css", "ts/size/px" ]
深入理解
-
设计令牌类型系统
设计令牌的类型系统是确保转换器正确工作的关键。不同的工具可能对同一概念使用不同的类型名称,这是跨工具协作时常见的兼容性问题。 -
单位转换的重要性
自动添加单位是设计系统工作流中的重要环节,可以确保输出样式的一致性,避免开发者手动添加单位可能带来的错误。 -
转换器的工作机制
Style Dictionary的转换器是基于令牌类型进行匹配的。当类型名称不匹配时,转换器将不会对相应的令牌值进行处理。
最佳实践建议
-
统一工具链
如果项目中使用Tokens Studio作为设计输入,建议在整个工具链中使用专为它优化的转换器和插件。 -
明确类型约定
在团队内部明确设计令牌的类型命名规范,确保设计工具和开发工具使用相同的约定。 -
测试输出结果
在设置转换器后,应该验证生成的样式文件是否包含预期的单位,确保转换器按预期工作。
通过理解这些原理和解决方案,开发者可以更有效地使用Style Dictionary处理来自不同设计工具的设计令牌,确保输出结果符合预期。
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-X1-7BSpark-Prover-X1-7B 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-X1-7BSpark-Formalizer-X1-7B 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