ESLint Stylistic 项目中 indent 规则的 ignoredNodes 选项问题解析
问题背景
在 ESLint Stylistic 项目中,用户在使用 @stylistic/indent 规则时发现了一个关于 ignoredNodes 选项的问题。该选项在原生 ESLint 的 indent 规则中能够正常工作,但在迁移到 Stylistic 版本后却出现了异常行为。
问题现象
用户在使用 TypeScript 代码时,配置了忽略特定节点类型的缩进检查:
export interface ApiProps
extends ConstructProps {
ssr: Ssr
}
当使用 ESLint 原生 indent 规则时,配置如下可以正常工作:
rules: {
'indent': [
'error', 2, {
'ignoredNodes': [
'ClassDeclaration',
'InterfaceDeclaration',
],
}
],
}
但切换到 @stylistic/indent 规则后,相同的配置却无法忽略指定节点的缩进检查,导致 lint 错误。
技术分析
经过深入分析,这个问题涉及几个关键因素:
-
AST 节点类型差异:TypeScript 使用的 AST 节点类型与 JavaScript 不同。对于接口声明,正确的节点类型应该是
TSInterfaceDeclaration而不是InterfaceDeclaration。 -
规则继承关系:
@stylistic/indent规则实际上是合并了 ESLint 原生indent规则和typescript-eslint的indent规则实现。这意味着它需要同时处理 JavaScript 和 TypeScript 的 AST 节点类型。 -
已知问题:这个问题实际上是继承自
typescript-eslint项目的一个已知问题,将在未来的版本中修复。
解决方案
对于遇到此问题的开发者,有以下几种解决方案:
- 使用正确的节点类型:对于 TypeScript 特定语法,应该使用带有
TS前缀的节点类型名称:
rules: {
'@stylistic/indent': [
'error', 2, {
'ignoredNodes': [
'ClassDeclaration',
'TSInterfaceDeclaration',
],
}
],
}
- 临时禁用规则:如果问题仍然存在,可以考虑暂时禁用该规则:
const { "@stylistic/indent": _, ...newRules } = originalRules.rules;
const recommendedRules = {
...originalRules,
rules: newRules
}
- 等待官方修复:关注项目更新,等待官方修复这个继承自
typescript-eslint的问题。
最佳实践建议
-
在使用 TypeScript 时,始终查阅
typescript-eslint文档,了解正确的 AST 节点类型名称。 -
在迁移规则配置时,不仅要修改规则前缀(如从
indent改为@stylistic/indent),还应该检查是否有特定于语言的 AST 节点类型需要调整。 -
对于复杂的缩进需求,考虑使用更专业的格式化工具如 Prettier 来处理缩进问题,而将 ESLint 专注于代码质量检查。
总结
ESLint Stylistic 项目中的 @stylistic/indent 规则提供了更强大的代码格式化能力,但在处理 TypeScript 特定语法时需要特别注意节点类型的正确配置。理解 AST 节点类型的差异和规则的实现原理,能够帮助开发者更有效地解决这类问题。随着项目的不断更新,这些问题有望在未来的版本中得到更好的解决。
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