Milkdown编辑器标题降级行为分析与优化方案
问题现象描述
在Milkdown编辑器中,当用户使用三级标题(###)时,按下退格键(Backspace)会出现不符合预期的行为。具体表现为:第一次按退格键会将三级标题降级为二级标题,第二次按退格键会降级为一级标题,第三次按退格键才会将光标移动到上一行。
这种渐进式的标题降级行为给用户带来了操作上的不便,特别是当用户想要快速删除整个标题时,需要多次按键才能达到预期效果。
技术背景分析
Milkdown是一个基于ProseMirror构建的现代化Markdown编辑器。在ProseMirror的架构中,文档结构被建模为一个节点树,每个节点都有特定的类型和属性。标题(heading)节点通常包含一个表示级别的属性(如level: 1, 2, 3等)。
默认情况下,ProseMirror对标题节点的处理逻辑是逐步降低标题级别,这与Markdown编辑器的常见用户预期不符。大多数Markdown编辑器在处理标题删除时,会直接将标题转换为普通段落或完全删除节点。
解决方案设计
针对这个问题,我们可以设计一个自定义命令来优化标题的删除行为。核心思路是:
- 检测当前光标位置是否在标题节点开头
- 如果是,则直接删除整个标题节点或转换为段落
- 如果不是标题节点或不在开头,则执行默认行为
实现代码解析
以下是优化后的实现代码:
function deleteNode(state: EditorState, dispatch?: (tr: Transaction) => void) {
const { $from } = state.selection;
const { tr } = state;
tr.delete($from.before(), $from.after());
if (dispatch) dispatch(tr);
return true;
}
export const downgradeHeadingCommand = $command("DowngradeHeading", (ctx) => () => (state, dispatch, view) => {
const { $from } = state.selection;
const node = $from.node();
// 检查是否在标题节点且光标在开头
if (node.type !== headingSchema.type(ctx) || !state.selection.empty || $from.parentOffset !== 0) {
// 特殊处理:当光标在第二个字符位置时直接删除节点
if ($from.parentOffset === 1) return deleteNode(state, dispatch);
return false;
}
// 标题节点且光标在开头时直接删除
if (node.type === headingSchema.type(ctx) && $from.parentOffset === 0) {
return deleteNode(state, dispatch);
}
// 默认行为:转换为段落
return setBlockType(paragraphSchema.type(ctx))(state, dispatch, view);
});
技术要点说明
-
节点删除逻辑:
deleteNode函数通过获取当前选择位置的前后边界,使用事务(Transaction)删除整个节点范围。 -
条件判断:
- 首先检查当前节点是否为标题类型
- 检查选择是否为空选择(避免影响文本选择)
- 检查光标是否在节点开头
-
特殊处理:当光标位于标题第二个字符位置时(如"# "后面),也执行直接删除操作。
-
回退行为:如果不符合上述条件,则执行默认的转换为段落行为。
用户体验优化
这种实现方式相比原来的渐进式降级有以下优势:
-
操作效率:用户只需一次退格键即可删除整个标题,减少了按键次数。
-
行为一致:符合大多数Markdown编辑器的操作习惯,降低用户学习成本。
-
边界处理:考虑了光标在不同位置的合理行为,避免产生意外结果。
扩展思考
这种自定义命令的模式可以推广到其他类似场景:
- 列表项的删除行为优化
- 代码块的快速退出
- 引用块的整段删除
通过分析用户操作习惯和预期,我们可以为各种块级元素设计更符合直觉的编辑行为,从而提升整体编辑体验。
总结
Milkdown作为一款现代化的编辑器框架,通过自定义命令机制提供了强大的扩展能力。针对标题删除行为的优化展示了如何利用ProseMirror的API来改善用户体验。开发者可以借鉴这种思路,为编辑器添加更多符合用户预期的交互行为。
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