Harper项目v0.16.0版本发布:语法检查与写作辅助工具的重大更新
Harper是一个开源的语法检查和写作辅助工具,它能够帮助开发者和写作者在编写文档时发现语法错误、拼写错误以及风格问题。作为一个现代化的写作助手,Harper支持多种编程语言文档格式,包括Markdown、Typst和Literate Haskell等,特别适合技术文档编写者使用。
核心功能改进
本次v0.16.0版本带来了多项重要改进,显著提升了工具的准确性和可用性。在语法检查方面,修复了一个关于从属连词(false-positive)的错误识别问题,这使得工具在分析复杂句子结构时更加准确。同时,针对包含数字的单词,减少了误报拼写错误的可能性,这对于技术文档中常见的版本号、API编号等内容的处理尤为重要。
在错误处理机制上,修复了某些错误被错误过滤的问题,这解决了之前可能导致某些问题被忽略(false-negatives)的情况。此外,新增了对"your"及其变体的专门检查规则,进一步完善了英语语法检查的覆盖范围。
语言支持扩展
v0.16.0版本新增了对两种重要文档格式的支持:
-
Literate Haskell支持:这是Haskell语言的一种特殊文档格式,允许将代码和文档混合编写。对于Haskell开发者来说,这大大提升了编写技术文档的体验。
-
Typst语言支持:Typst是一种新兴的文档排版语言,类似于LaTeX但更加现代化。新增的支持使得使用Typst编写学术论文或技术文档时也能获得语法检查。
架构与性能优化
在底层架构方面,本次更新包含了多项重要改进。Harper.js现在能够正确重新导出来自harper-wasm的类型定义,这提升了TypeScript开发者的使用体验。同时,工具现在为Release构建启用了LTO(Link Time Optimization)并设置了codegen-units=1,这些优化显著提升了最终产物的运行效率。
错误处理机制也经过了重构,使得Harper-ls(语言服务器)的错误处理更加健壮和可靠。对于开发者而言,这意味着更稳定的使用体验和更有价值的错误反馈。
开发者体验提升
对于集成Harper的开发者,本次更新带来了几个实用功能:
-
自动生成的API参考文档:现在开发者可以方便地查阅完整的API参考,大大降低了集成和使用门槛。
-
配置灵活性增强:Harper.js新增了配置标记语言的能力,使得在不同文档类型间切换更加灵活。
-
新增货币符号位置检查:引入了一个新的linter专门检查美元符号的放置位置,这对于财务或经济类文档的编写特别有用。
-
Markdown链接标题忽略配置:新增了配置选项,允许用户选择是否检查Markdown链接的标题内容,提供了更大的灵活性。
跨平台支持
Harper继续保持其优秀的跨平台特性,为各种主流平台提供了预构建的二进制文件:
- 支持macOS(包括Apple Silicon和Intel芯片)
- Linux(ARM64和x86_64架构)
- Windows(x86_64)
同时,VS Code插件也针对各个平台提供了专用版本,确保在各种开发环境下都能获得最佳体验。
总结
Harper v0.16.0版本通过多项核心改进和功能扩展,进一步巩固了其作为技术写作辅助工具的地位。无论是语法检查的准确性、支持的语言范围,还是开发者体验,都有了显著提升。对于经常需要编写技术文档的开发者或技术写作者来说,这个版本值得升级。特别是新增的Typst和Literate Haskell支持,使得Harper能够覆盖更广泛的文档编写场景。
Kimi-K2.5Kimi K2.5 是一款开源的原生多模态智能体模型,它在 Kimi-K2-Base 的基础上,通过对约 15 万亿混合视觉和文本 tokens 进行持续预训练构建而成。该模型将视觉与语言理解、高级智能体能力、即时模式与思考模式,以及对话式与智能体范式无缝融合。Python00
GLM-4.7-FlashGLM-4.7-Flash 是一款 30B-A3B MoE 模型。作为 30B 级别中的佼佼者,GLM-4.7-Flash 为追求性能与效率平衡的轻量化部署提供了全新选择。Jinja00
VLOOKVLOOK™ 是优雅好用的 Typora/Markdown 主题包和增强插件。 VLOOK™ is an elegant and practical THEME PACKAGE × ENHANCEMENT PLUGIN for Typora/Markdown.Less00
PaddleOCR-VL-1.5PaddleOCR-VL-1.5 是 PaddleOCR-VL 的新一代进阶模型,在 OmniDocBench v1.5 上实现了 94.5% 的全新 state-of-the-art 准确率。 为了严格评估模型在真实物理畸变下的鲁棒性——包括扫描伪影、倾斜、扭曲、屏幕拍摄和光照变化——我们提出了 Real5-OmniDocBench 基准测试集。实验结果表明,该增强模型在新构建的基准测试集上达到了 SOTA 性能。此外,我们通过整合印章识别和文本检测识别(text spotting)任务扩展了模型的能力,同时保持 0.9B 的超紧凑 VLM 规模,具备高效率特性。Python00
KuiklyUI基于KMP技术的高性能、全平台开发框架,具备统一代码库、极致易用性和动态灵活性。 Provide a high-performance, full-platform development framework with unified codebase, ultimate ease of use, and dynamic flexibility. 注意:本仓库为Github仓库镜像,PR或Issue请移步至Github发起,感谢支持!Kotlin07
compass-metrics-modelMetrics model project for the OSS CompassPython00