Voyager项目中列表数字在折叠标签内显示截断问题分析
在Voyager移动客户端项目中,开发团队发现了一个影响用户体验的显示问题:当用户在折叠标签(spoiler tags)内创建超过10项的编号列表时,列表项的数字编号会出现显示截断现象。这个问题虽然看似简单,但涉及到移动端富文本渲染的多个技术层面。
问题现象描述
在Voyager客户端中,当用户查看包含折叠标签的帖子时,如果该折叠标签内包含10项以上的编号列表,会出现数字显示不完整的情况。具体表现为:
- 1-9项的编号显示正常
- 从第10项开始,数字的十位数会被截断,只显示个位数部分
- 所有数字的个位数对齐,导致多位数数字的左侧部分被隐藏
技术原因分析
经过技术团队排查,这个问题主要由以下几个因素共同导致:
-
CSS溢出处理机制:折叠标签容器可能设置了
overflow: hidden属性,导致内容超出部分被裁剪 -
列表项缩进计算:编号列表的缩进值可能采用了固定像素值,没有考虑数字位数增加带来的宽度变化
-
移动端视口限制:在小屏幕设备上,默认的文本容器宽度可能不足以完整显示两位数的编号
-
富文本渲染逻辑:Markdown到原生视图的转换过程中,对列表编号的处理可能存在缺陷
解决方案实现
开发团队通过以下方式解决了这个问题:
-
调整列表项缩进:为编号列表项增加动态缩进,根据数字位数自动调整左边距
-
修改CSS样式:确保折叠标签容器有足够的padding和margin来容纳多位数编号
-
优化文本换行:设置合适的
white-space和word-wrap属性,防止文本被意外截断 -
响应式设计改进:针对不同屏幕尺寸调整列表项的显示参数
技术实现细节
在具体实现上,开发团队主要修改了以下方面:
-
为列表容器添加了动态计算padding-left的逻辑,基于当前列表项编号的字符数
-
移除了可能限制内容宽度的硬编码样式值
-
优化了Markdown解析器对有序列表的处理,确保生成的HTML结构正确
-
增加了对长数字编号的测试用例,防止类似问题再次出现
用户体验改进
这个修复不仅解决了数字截断问题,还带来了以下用户体验提升:
- 列表项显示更加整齐美观
- 多级嵌套列表的缩进更加合理
- 不同设备上的显示一致性得到提高
- 长数字编号和长文本项都能正确显示
总结
Voyager团队通过这次问题修复,不仅解决了一个具体的显示bug,还完善了客户端的富文本渲染机制。这种对细节的关注体现了团队对用户体验的重视,也为后续处理类似问题积累了经验。移动端富文本渲染是一个复杂的领域,需要综合考虑布局、样式、性能等多方面因素,这次修复展示了如何通过系统性思考来解决看似简单的界面问题。
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