Code Hike项目中Scrollycoding组件嵌套其他标签的实现方法
在Code Hike项目中,Scrollycoding组件是一个非常实用的功能,它允许开发者在滚动页面时动态展示代码变化。然而,当我们需要在Scrollycoding组件中嵌套使用其他自定义标签(如CodeWithTooltips或CodeSwitcher)时,会遇到一些技术挑战。
问题背景
开发者Windsooon尝试在Scrollycoding组件内部使用CodeWithTooltips标签时遇到了错误提示:"Error for code: Required"。这个问题的根源在于Scrollycoding组件默认期望接收一个代码块对象,而CodeWithTooltips返回的是一个React组件。
解决方案探索
初始尝试
Windsooon首先尝试通过修改Schema来扩展Scrollycoding的解析能力:
const Schema = Block.extend({
steps: z.array(
Block.extend({
sticker: Block.extend({
code: CodeBlock,
tooltips: z.array(Block).optional(),
})
})),
})
然而,这种方法仍然无法正确解析嵌套的组件结构,因为Schema的层级关系没有正确匹配实际的MDX结构。
正确实现方式
经过项目维护者pomber的指导,正确的解决方案是简化Schema结构,将sticker定义为基本的Block类型:
const Schema = Block.extend({
steps: z.array(Block.extend({sticker: Block})),
})
然后在渲染时直接使用step.sticker.children来渲染嵌套组件的内容:
<Selection
from={steps.map((step) => (
step.sticker.children
))}
/>
这种方法保留了嵌套组件的完整功能,同时避免了Schema解析的复杂性。
样式调整技巧
在实现过程中,Windsooon还发现了一个样式相关的问题:token-transitions处理器会为Token添加display: inline-block样式,这会影响tooltip的下划线效果。解决方案是在tooltip处理器中显式添加border样式:
export const tooltip: AnnotationHandler = {
name: "tooltip",
Inline: ({ children, annotation }) => {
return (
<TooltipProvider>
<Tooltip>
<TooltipTrigger
className="underline decoration-dashed"
style={{ borderBottom: "1px dashed black" }}
>
{children}
</TooltipTrigger>
{/* ... */}
</Tooltip>
</TooltipProvider>
)
},
}
最佳实践建议
-
保持Schema简洁:当需要在Scrollycoding中嵌套其他组件时,尽量使用基本的Block类型,避免过度定义Schema结构。
-
组件解耦:将功能性的组件(如CodeWithTooltips)设计为独立的单元,通过children属性与父组件交互。
-
样式覆盖:当遇到内置样式冲突时,优先考虑使用更具体的样式规则来覆盖默认行为。
-
文档贡献:考虑将这种嵌套组件的使用方式添加到项目文档中,帮助其他开发者避免类似问题。
通过这种方法,开发者可以灵活地在Scrollycoding组件中集成各种自定义功能,同时保持代码的清晰和可维护性。
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