Semi-Design Resizable 组件在严格模式下的行为分析与解决方案
问题背景
在React应用开发中,Semi-Design是一个流行的UI组件库,其中的Resizable组件提供了灵活的布局调整功能。然而,当开发者在严格模式(Strict Mode)下使用Resizable组件时,可能会遇到一些不符合预期的行为。
现象描述
开发者在使用Resizable组件时报告了两个主要问题:
-
拖动方向相反:当用户拖动中间的分隔块时,组件的移动方向与鼠标拖动方向相反。例如向左拖动时,分隔块向右移动;向右拖动时,分隔块向左移动。
-
尺寸分配问题:当一个ResizeItem设置了固定尺寸(defaultSize)后,另一个ResizeItem无法自动填充剩余空间,导致布局异常。
根本原因分析
经过技术团队调查,发现这些问题与React的严格模式密切相关。在严格模式下,React会故意执行某些操作两次,以帮助开发者发现潜在问题。具体到Resizable组件:
-
上下文(Context)钩子执行两次:严格模式下,组件中的useContext等钩子会被执行两次,这导致Resizable组件内部的状态管理出现异常。
-
尺寸计算逻辑干扰:由于严格模式的重复渲染,组件对鼠标移动事件的处理和尺寸计算逻辑受到了干扰,导致了拖动方向相反的现象。
-
初始尺寸分配异常:同样由于严格模式的影响,组件初始化时的尺寸分配逻辑可能无法正确执行,导致第二个ResizeItem无法自动填充剩余空间。
解决方案
临时解决方案
对于急需解决问题的开发者,可以采用以下临时方案:
- 禁用严格模式:在开发环境中暂时移除React.StrictMode组件包装,这可以立即解决问题。
// 修改前
<React.StrictMode>
<App />
</React.StrictMode>
// 修改后
<App />
- 明确指定尺寸:为所有ResizeItem都明确指定defaultSize,避免依赖自动填充逻辑。
长期解决方案
Semi-Design团队正在修复这个问题,未来的版本将:
-
增强严格模式兼容性:改进组件内部的状态管理,确保在严格模式下也能正常工作。
-
优化尺寸计算逻辑:重新设计尺寸分配算法,使其更加健壮,不受渲染次数影响。
-
提供更灵活的布局选项:考虑增加类似flex-grow的属性,让开发者可以更灵活地控制空间分配。
最佳实践建议
-
开发环境与生产环境一致性:即使在开发中暂时禁用严格模式,也应确保在生产环境中测试严格模式下的行为。
-
明确尺寸约束:为所有可调整大小的区域都提供明确的尺寸约束(min/max/default),避免依赖隐式行为。
-
关注更新日志:定期检查Semi-Design的更新日志,及时获取关于Resizable组件修复的信息。
总结
React严格模式是发现潜在问题的有力工具,但有时会与特定组件的实现产生冲突。Semi-Design的Resizable组件当前在严格模式下表现异常的问题,既反映了严格模式的价值,也指出了组件需要改进的方向。开发者可以暂时通过禁用严格模式来解决问题,同时期待官方即将发布的修复版本。
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