Style Dictionary 多条件/多模式设计令牌的实现方案
2025-06-15 01:44:09作者:宣海椒Queenly
设计令牌中的多值需求
在现代设计系统中,设计令牌(Design Token)经常需要支持多种条件或模式下的不同取值。常见场景包括:
- 暗黑/明亮模式:同一令牌在不同主题下需要返回不同颜色值
- 响应式设计:同一间距令牌在不同断点下需要不同尺寸
- 多平台适配:同一组件在不同平台(iOS/Android/Web)需要不同样式表现
传统实现方案及其局限
传统上,开发者会为每种模式创建单独的文件,例如:
colors.light.jsoncolors.dark.jsonspacing.mobile.jsonspacing.desktop.json
这种方法存在明显问题:
- 维护成本高:每个组件需要维护多个文件
- 扩展性差:当增加新维度(如新增平台)时,文件数量呈指数增长
- 工作流复杂:需要手动管理大量文件间的引用关系
技术挑战分析
在Style Dictionary中实现单文件多值令牌面临的核心技术挑战:
- 转换器(Transformer)限制:默认只处理
value属性,忽略其他自定义属性 - 引用解析问题:多值令牌如何正确处理对其他令牌的引用
- 输出格式化:如何将多值令牌正确输出为CSS变量和媒体查询
可行的解决方案
方案一:扩展属性模式
{
"token": {
"value": "12px",
"breakpoints": {
"mobile": "14px",
"tablet": "16px"
}
}
}
优点:
- 结构清晰直观
- 易于理解和维护
缺点:
- 需要自定义格式化器
- 无法自动转换扩展属性值
方案二:令牌分组命名法
{
"token@#0": {
"value": "{base.size.16}",
"mode": "light"
},
"token@#1": {
"value": "{base.size.24}",
"mode": "dark"
}
}
实现要点:
- 使用特殊命名约定区分不同模式
- 在格式化器中处理命名转换
- 按模式分组输出CSS规则
优点:
- 所有值都能通过转换器处理
- 保持标准令牌结构
缺点:
- 需要预处理令牌结构
- 引用解析较为复杂
方案三:元数据扩展法
{
"token": {
"value": "<themed>",
"$extensions": {
"themes": {
"light": "#ffffff",
"dark": "#000000"
}
}
}
}
实现机制:
- 使用
$extensions存储多模式值 - 构建时展开为多个虚拟令牌
- 分别处理每个模式值
优点:
- 符合DTCG规范
- 保持令牌结构整洁
缺点:
- 无法直接引用多值令牌
- 需要复杂预处理逻辑
性能与架构考量
在评估方案时,需要考虑:
- 输出文件体积:合并所有模式到单一文件会增加未使用CSS
- 运行时性能:浏览器需要解析更多CSS规则
- 维护成本:复杂方案会增加长期维护难度
推荐架构:
- 基础原始令牌(不受主题影响)
- 语义层令牌(主题相关)
- 组件令牌(引用语义层)
最佳实践建议
- 简单场景:使用扩展属性+自定义格式化器
- 复杂主题系统:采用多文件+多Style Dictionary实例
- 平衡方案:元数据扩展法结合预处理脚本
对于GitHub等大型设计系统,推荐采用分层架构,将主题相关性与组件解耦,既能保持灵活性,又能控制复杂度。
未来发展方向
设计令牌社区正在积极讨论主题化标准,未来可能会:
- 标准化多值令牌语法
- 提供内置主题支持
- 优化转换器处理流程
开发者应关注相关规范进展,同时根据当前项目需求选择最适合的过渡方案。
登录后查看全文
热门项目推荐
相关项目推荐
GLM-5智谱 AI 正式发布 GLM-5,旨在应对复杂系统工程和长时域智能体任务。Jinja00
GLM-5.1GLM-5.1是智谱迄今最智能的旗舰模型,也是目前全球最强的开源模型。GLM-5.1大大提高了代码能力,在完成长程任务方面提升尤为显著。和此前分钟级交互的模型不同,它能够在一次任务中独立、持续工作超过8小时,期间自主规划、执行、自我进化,最终交付完整的工程级成果。Jinja00
MiniMax-M2.7MiniMax-M2.7 是我们首个深度参与自身进化过程的模型。M2.7 具备构建复杂智能体应用框架的能力,能够借助智能体团队、复杂技能以及动态工具搜索,完成高度精细的生产力任务。Python00- QQwen3.5-397B-A17BQwen3.5 实现了重大飞跃,整合了多模态学习、架构效率、强化学习规模以及全球可访问性等方面的突破性进展,旨在为开发者和企业赋予前所未有的能力与效率。Jinja00
HY-Embodied-0.5这是一套专为现实世界具身智能打造的基础模型。该系列模型采用创新的混合Transformer(Mixture-of-Transformers, MoT) 架构,通过潜在令牌实现模态特异性计算,显著提升了细粒度感知能力。Jinja00
LongCat-AudioDiT-1BLongCat-AudioDiT 是一款基于扩散模型的文本转语音(TTS)模型,代表了当前该领域的最高水平(SOTA),它直接在波形潜空间中进行操作。00
项目优选
收起
deepin linux kernel
C
28
15
OpenHarmony documentation | OpenHarmony开发者文档
Dockerfile
660
4.26 K
🎉 (RuoYi)官方仓库 基于SpringBoot,Spring Security,JWT,Vue3 & Vite、Element Plus 的前后端分离权限管理系统
Vue
1.54 K
894
Ascend Extension for PyTorch
Python
505
610
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
392
289
暂无简介
Dart
909
219
🔥LeetCode solutions in any programming language | 多种编程语言实现 LeetCode、《剑指 Offer(第 2 版)》、《程序员面试金典(第 6 版)》题解
Java
69
21
昇腾LLM分布式训练框架
Python
142
168
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++
940
867
🍒 Cherry Studio 是一款支持多个 LLM 提供商的桌面客户端
TypeScript
1.33 K
108