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。
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-w4a8GLM-5-w4a8基于混合专家架构,专为复杂系统工程与长周期智能体任务设计。支持单/多节点部署,适配Atlas 800T A3,采用w4a8量化技术,结合vLLM推理优化,高效平衡性能与精度,助力智能应用开发Jinja00
请把这个活动推给顶尖程序员😎本次活动专为懂行的顶尖程序员量身打造,聚焦AtomGit首发开源模型的实际应用与深度测评,拒绝大众化浅层体验,邀请具备扎实技术功底、开源经验或模型测评能力的顶尖开发者,深度参与模型体验、性能测评,通过发布技术帖子、提交测评报告、上传实践项目成果等形式,挖掘模型核心价值,共建AtomGit开源模型生态,彰显顶尖程序员的技术洞察力与实践能力。00
Kimi-K2.5Kimi K2.5 是一款开源的原生多模态智能体模型,它在 Kimi-K2-Base 的基础上,通过对约 15 万亿混合视觉和文本 tokens 进行持续预训练构建而成。该模型将视觉与语言理解、高级智能体能力、即时模式与思考模式,以及对话式与智能体范式无缝融合。Python00
MiniMax-M2.5MiniMax-M2.5开源模型,经数十万复杂环境强化训练,在代码生成、工具调用、办公自动化等经济价值任务中表现卓越。SWE-Bench Verified得分80.2%,Multi-SWE-Bench达51.3%,BrowseComp获76.3%。推理速度比M2.1快37%,与Claude Opus 4.6相当,每小时仅需0.3-1美元,成本仅为同类模型1/10-1/20,为智能应用开发提供高效经济选择。【此简介由AI生成】Python00
Qwen3.5Qwen3.5 昇腾 vLLM 部署教程。Qwen3.5 是 Qwen 系列最新的旗舰多模态模型,采用 MoE(混合专家)架构,在保持强大模型能力的同时显著降低了推理成本。00- RRing-2.5-1TRing-2.5-1T:全球首个基于混合线性注意力架构的开源万亿参数思考模型。Python00