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。
atomcodeClaude Code 的开源替代方案。连接任意大模型,编辑代码,运行命令,自动验证 — 全自动执行。用 Rust 构建,极致性能。 | An open-source alternative to Claude Code. Connect any LLM, edit code, run commands, and verify changes — autonomously. Built in Rust for speed. Get StartedRust084- DDeepSeek-V4-ProDeepSeek-V4-Pro(总参数 1.6 万亿,激活 49B)面向复杂推理和高级编程任务,在代码竞赛、数学推理、Agent 工作流等场景表现优异,性能接近国际前沿闭源模型。Python00
MiniMax-M2.7MiniMax-M2.7 是我们首个深度参与自身进化过程的模型。M2.7 具备构建复杂智能体应用框架的能力,能够借助智能体团队、复杂技能以及动态工具搜索,完成高度精细的生产力任务。Python00
GLM-5.1GLM-5.1是智谱迄今最智能的旗舰模型,也是目前全球最强的开源模型。GLM-5.1大大提高了代码能力,在完成长程任务方面提升尤为显著。和此前分钟级交互的模型不同,它能够在一次任务中独立、持续工作超过8小时,期间自主规划、执行、自我进化,最终交付完整的工程级成果。Jinja00
Kimi-K2.6Kimi K2.6 是一款开源的原生多模态智能体模型,在长程编码、编码驱动设计、主动自主执行以及群体任务编排等实用能力方面实现了显著提升。Python00
Hy3-previewHy3 preview 是由腾讯混元团队研发的2950亿参数混合专家(Mixture-of-Experts, MoE)模型,包含210亿激活参数和38亿MTP层参数。Hy3 preview是在我们重构的基础设施上训练的首款模型,也是目前发布的性能最强的模型。该模型在复杂推理、指令遵循、上下文学习、代码生成及智能体任务等方面均实现了显著提升。Python00