Vanilla Extract 中 Sprinkles 与 TypeScript 类型推断的优化实践
2025-05-24 05:44:15作者:翟萌耘Ralph
问题背景
在使用 Vanilla Extract 的 Sprinkles 功能时,开发者可能会遇到 TypeScript 类型推断不准确的问题。具体表现为:当直接在 createSprinkles 中内联定义属性时,TypeScript 会推断出最宽泛的类型(如 Record<string, string>),而不是预期的具体属性类型。
问题分析
这个问题源于 TypeScript 的类型推断机制。当属性定义以内联方式直接传递给 createSprinkles 时,TypeScript 无法正确识别属性的具体结构,导致类型系统无法提供准确的自动补全和类型检查。
解决方案
最佳实践:分离属性定义
通过将属性定义提取到单独的常量中,可以显著改善类型推断的准确性:
// 1. 单独定义属性
const flexProperties = defineProperties({
properties: {
alignItems: ["center", "flex-start", "flex-end"],
justifyContent: ["center", "flex-start", "flex-end"],
},
shorthands: {
align: ["alignItems"],
justify: ["justifyContent"],
},
});
// 2. 创建 sprinkles
const flexSprinkles = createSprinkles(flexProperties);
// 3. 导出类型
type TFlexSprinkles = Parameters<typeof flexSprinkles>[0];
类型使用示例
// 使用具体类型
const align: TFlexSprinkles["align"] = "center"; // 自动补全可用
const alignItems: TFlexSprinkles["alignItems"] = "flex-start"; // 类型安全
技术原理
这种解决方案之所以有效,是因为:
- 将属性定义提取为独立常量后,TypeScript 能够先确定
defineProperties的具体类型 - 这个具体类型随后被传递给
createSprinkles,使它能正确推断出返回函数的参数类型 - 通过
Parameters工具类型提取出的类型保留了完整的属性信息
实际应用建议
- 模块化设计:将不同的样式属性分组到不同的
defineProperties调用中 - 组合使用:可以创建多个属性组,然后合并到最终的 sprinkles 函数
- 类型导出:始终导出 sprinkles 类型以便在其他组件中使用
总结
通过将样式属性定义与 sprinkles 创建分离,开发者可以获得更精确的 TypeScript 类型支持。这种方法不仅解决了自动补全问题,还能提供更好的类型安全性,是使用 Vanilla Extract Sprinkles 功能时的推荐实践。
登录后查看全文
热门项目推荐
相关项目推荐
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 StartedRust0212
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 Notebook0137
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
GLM-5.2智谱开源 GLM-5.2,这是针对长文本任务的最新旗舰模型。相较于前代产品 GLM-5.1,它在长文本任务处理能力上实现了显著飞跃,并且首次在稳定的 100 万 token 上下文中提供这一能力。Jinja00
SwanLab⚡️SwanLab - an open-source, modern-design AI training tracking and visualization tool. Supports Cloud / Self-hosted use. Integrated with PyTorch / Transformers / LLaMA Factory / veRL/ Swift / Ultralytics / MMEngine / Keras etc.Python00
tiny-universe《大模型白盒子构建指南》:一个全手搓的Tiny-UniverseJupyter Notebook03
项目优选
收起
deepin linux kernel
C
32
16
openEuler内核是openEuler操作系统的核心,既是系统性能与稳定性的基石,也是连接处理器、设备与服务的桥梁。
C
468
461
暂无描述
Dockerfile
775
5.07 K
Ascend Extension for PyTorch
Python
756
960
本项目是CANN提供的transformer类大模型算子库,实现网络在NPU上加速计算。
C++
872
2.01 K
本项目是CANN提供的神经网络类计算算子库,实现网络在NPU上加速计算。
C++
696
1.4 K
昇腾LLM分布式训练框架
Python
183
230
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++
1.1 K
1.14 K
本仓库是 Flutter SDK 与 Flutter Engine 的 OpenHarmony 适配版本,由 CPF-Flutter 团队维护。开发者可使用熟悉的 Flutter 技术栈开发 OpenHarmony 应用,3.35.7 及以后的适配版本可基于本仓库源码构建支持 OpenHarmony 的 Flutter Engine。
Dart
1.03 K
271
Oohos_react_native
React Native鸿蒙化仓库
C++
361
430