在Deep-Chat项目中实现消息推荐按钮的技术方案
背景介绍
Deep-Chat是一个功能强大的聊天组件库,开发者可以通过配置实现各种定制化的聊天界面效果。本文将详细介绍如何在Deep-Chat中实现位于输入框上方的推荐按钮功能,这种设计常见于智能客服系统或AI助手应用中,用于引导用户快速发起常见问题咨询。
核心实现原理
实现这一功能的关键在于巧妙利用Deep-Chat的消息样式配置和角色定义系统。通过为特定类型的消息定义自定义样式,我们可以控制其显示位置和外观,使其固定在输入框上方而非传统的消息流中。
具体实现步骤
1. 定义消息样式
首先需要配置messageStyles属性,为推荐消息创建特殊的样式规则:
chatElementRef.messageStyles = {
html: {
recommendation: { // 自定义角色名称
outerContainer: {
position: 'absolute', // 绝对定位
bottom: '60px', // 距离底部60px
},
bubble: {
backgroundColor: 'unset', // 透明背景
padding: '0px', // 无内边距
},
},
},
};
这段代码定义了一个名为"recommendation"的自定义消息角色,将其定位方式设为绝对定位,并放置在距离底部60px的位置,同时移除了默认的消息气泡样式。
2. 创建推荐按钮消息
接下来,通过initialMessages属性初始化包含推荐按钮的HTML内容:
chatElementRef.initialMessages = [
{
html: `
<div class="deep-chat-temporary-message">
<button class="deep-chat-button deep-chat-suggestion-button" style="margin-top: 5px">虾吃什么?</button>
<button class="deep-chat-button deep-chat-suggestion-button" style="margin-top: 6px">虾会炒饭吗?</button>
<button class="deep-chat-button deep-chat-suggestion-button" style="margin-top: 6px">什么是特殊虾种?</button>
</div>`,
role: 'recommendation', // 使用自定义角色
},
];
这里使用了Deep-Chat内置的按钮样式类(deep-chat-button和deep-chat-suggestion-button)来保持界面风格一致,同时为每个按钮添加了上边距以形成垂直排列。
技术要点解析
-
自定义消息角色:通过定义非标准角色(如这里的"recommendation"),我们可以为特定类型的消息创建独特的显示规则。
-
绝对定位技巧:将消息容器设为绝对定位是关键,这使得消息可以脱离常规的消息流,固定在指定位置。
-
样式覆盖:通过设置backgroundColor为unset和padding为0px,我们移除了默认的消息气泡样式,使推荐按钮能够以更自然的方式呈现。
-
HTML内容注入:使用html属性可以直接注入自定义HTML结构,提供了极大的灵活性。
进阶应用建议
-
动态更新推荐:可以通过API动态获取推荐问题列表,然后更新initialMessages实现内容动态变化。
-
交互响应:为按钮添加点击事件处理,当用户点击推荐问题时自动填充到输入框或直接发送。
-
条件显示:可以结合业务逻辑,只在特定场景(如用户长时间未输入)显示推荐按钮。
-
样式定制:进一步自定义按钮样式以匹配应用主题,如修改颜色、圆角、悬停效果等。
兼容性说明
需要注意的是,此功能需要较新版本的Deep-Chat组件(9.0.155或更高),开发者可能需要使用开发版包(deep-chat-dev或deep-chat-dev-react)来获取完整的样式配置支持。
总结
通过Deep-Chat强大的样式配置和消息系统,开发者可以灵活实现各种定制化的聊天界面效果。本文介绍的推荐按钮实现方案不仅适用于问题推荐场景,其原理也可应用于其他需要固定位置显示辅助内容的场景,如快捷操作栏、上下文提示等。这种实现方式既保持了Deep-Chat的核心功能,又扩展了其应用可能性。
ERNIE-4.5-VL-28B-A3B-ThinkingERNIE-4.5-VL-28B-A3B-Thinking 是 ERNIE-4.5-VL-28B-A3B 架构的重大升级,通过中期大规模视觉-语言推理数据训练,显著提升了模型的表征能力和模态对齐,实现了多模态推理能力的突破性飞跃Python00
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
MiniMax-M2MiniMax-M2是MiniMaxAI开源的高效MoE模型,2300亿总参数中仅激活100亿,却在编码和智能体任务上表现卓越。它支持多文件编辑、终端操作和复杂工具链调用Python00
HunyuanVideo-1.5暂无简介00
MiniCPM-V-4_5MiniCPM-V 4.5 是 MiniCPM-V 系列中最新且功能最强的模型。该模型基于 Qwen3-8B 和 SigLIP2-400M 构建,总参数量为 80 亿。与之前的 MiniCPM-V 和 MiniCPM-o 模型相比,它在性能上有显著提升,并引入了新的实用功能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
GOT-OCR-2.0-hf阶跃星辰StepFun推出的GOT-OCR-2.0-hf是一款强大的多语言OCR开源模型,支持从普通文档到复杂场景的文字识别。它能精准处理表格、图表、数学公式、几何图形甚至乐谱等特殊内容,输出结果可通过第三方工具渲染成多种格式。模型支持1024×1024高分辨率输入,具备多页批量处理、动态分块识别和交互式区域选择等创新功能,用户可通过坐标或颜色指定识别区域。基于Apache 2.0协议开源,提供Hugging Face演示和完整代码,适用于学术研究到工业应用的广泛场景,为OCR领域带来突破性解决方案。00