在conventional-changelog中扩展提交信息的技术实践
conventional-changelog是一个流行的生成变更日志的工具,它遵循约定式提交规范。在实际项目开发中,我们经常需要扩展默认的提交信息,比如添加GitHub用户登录名等额外信息。本文将详细介绍如何在conventional-changelog中实现这一需求。
问题背景
在Lerna-Lite项目中,开发者需要从GitHub GraphQL API获取提交信息,并将GitHub用户登录名添加到变更日志中。在conventional-changelog的旧版本中,可以通过修改writerOpts.commitPartial和transform函数来实现这一需求。但随着版本升级,提交对象变为不可变,原有的扩展方式不再适用。
技术实现方案
核心思路
- 保留原始transform函数的引用
- 执行原始transform函数获取处理后的提交对象
- 扩展提交对象,添加自定义属性
- 返回扩展后的提交对象
具体实现代码
// 获取预设配置
const preset = 'conventional-changelog-conventionalcommits';
const config = await getChangelogConfig(preset, rootPath);
// 覆盖writerOpts的transform函数
// 保留原始transform函数引用,先执行原始函数再执行自定义扩展
const originalTransform = config.writer?.transform;
writerOpts.transform = (commit, context, options) => {
// 执行原始transform函数
const transCommit = originalTransform?.(commit, context, options) || null;
// 添加自定义属性(如用户登录名)
if (transCommit) {
return { ...transCommit, userLogin: 'user1' };
}
return transCommit;
};
// 生成变更日志
const changelogStream = conventionalChangelogCore(
options,
context,
gitRawCommitsOpts,
undefined,
writerOpts
);
关键点解析
-
版本兼容性:conventional-changelog-writer v10存在不终止的问题,建议使用v11及以上版本。
-
transform函数位置:自定义transform函数需要设置在writerOpts(第三个参数)中,而不是conventionalChangelogCore的第一个参数。
-
执行顺序:必须先执行原始transform函数,再执行自定义扩展逻辑,确保预设的所有转换都已应用。
-
不可变对象处理:通过对象展开运算符(...)创建新对象,避免直接修改原始提交对象。
实际应用效果
通过上述方法,可以在变更日志中显示扩展后的提交信息,例如:
feat: 添加新功能 (@user1)
fix: 修复某个bug (@user2)
这种格式既保持了约定式提交的规范性,又增加了开发者识别信息,提高了变更日志的可读性和实用性。
总结
在conventional-changelog中扩展提交信息需要理解其处理流程和版本差异。关键在于正确处理transform函数的执行顺序和不可变对象的扩展方式。本文介绍的方法不仅适用于添加GitHub用户信息,也可以应用于其他需要扩展提交信息的场景,具有很好的通用性和实用性。
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
Spark-Prover-X1-7BSpark-Prover 是由科大讯飞团队开发的专用大型语言模型,专为 Lean4 中的自动定理证明而设计。该模型采用创新的三阶段训练策略,显著增强了形式化推理能力,在同等规模的开源模型中实现了最先进的性能。Python00
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