Style Dictionary项目中如何处理token引用时的前缀问题
2025-06-15 04:47:01作者:吴年前Myrtle
在Style Dictionary项目中,开发者经常需要处理设计系统中的token前缀问题。本文将深入探讨如何灵活控制token引用时的前缀行为,特别是针对不同来源(token来源)的前缀差异化处理方案。
前缀问题的背景
在大型设计系统中,我们通常会为CSS变量添加前缀以避免命名冲突。例如:
--PREFIX-padding-sm: var(--PREFIX-size-4);
但有时我们希望引用的基础token不包含前缀:
--PREFIX-padding-sm: var(--size-4);
默认行为分析
Style Dictionary的默认行为是将配置的prefix应用于所有token,无论它们是来自include(基础token)还是source(项目特有token)。这种一刀切的方式在某些场景下并不理想。
自定义解决方案
通过自定义name转换器(transformer),我们可以实现更精细的前缀控制。核心思路是:
- 检查token的来源属性(isSource)
- 根据条件决定是否应用prefix
- 保留原有的路径转换逻辑
实现代码示例
以下是一个功能完整的自定义name转换器实现:
export default {
name: 'name/pathToKebabCasePrefix',
type: 'name',
transformer: (token, platform = {}) => {
const {prefix} = platform
const addPrefix = platform.addPrefix ?? (() => true)
const getPrefix = (token, addPrefix) => addPrefix(token) && prefix
return (
[getPrefix(token, addPrefix), ...token.path]
.filter(part => typeof part === 'string' && part !== '@')
.join('-')
)
},
}
关键点解析
- 平台配置读取:从platform参数中获取prefix配置
- 条件判断:通过addPrefix函数决定是否应用prefix
- 路径处理:保留原有的路径转换和过滤逻辑
- 灵活性:支持通过platform.addPrefix覆盖默认行为
实际应用建议
在实际项目中,你可以:
- 为不同来源的token设置不同的prefix规则
- 通过platform.addPrefix实现复杂的前缀逻辑
- 结合其他转换器构建完整的设计系统管道
这种方案比在format阶段处理前缀更加灵活和可维护,是Style Dictionary推荐的最佳实践。
总结
通过自定义name转换器,我们可以精细控制Style Dictionary中token的前缀行为,满足不同来源token的前缀差异化需求。这种方法既保持了系统的灵活性,又不失可维护性,是处理复杂设计系统token命名的理想选择。
登录后查看全文
热门项目推荐
相关项目推荐
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 StartedRust0191
cann-learning-hubCANN 学习中心仓,支持在线互动运行、边学边练,提供教程、示例与优化方案,一站式助力昇腾开发者快速上手。Jupyter Notebook0116
Step-3.7-FlashStep-3.7-Flash是一个拥有 1980 亿参数的稀疏混合专家(MoE)视觉语言模型,由 1960 亿参数的语言主干网络和 18 亿参数的视觉编码器组合而成,具备原生图像理解能力。Python00
JoyAI-EchoJoyAI-Echo,这是一个独立的、仅用于推理的版本,旨在实现分钟级多镜头音视频生成。它采用了经过蒸馏的DMD生成器、配对的跨模态记忆以及故事级别的一致性。其性能的核心在于,一个跨模态视听记忆库能够在长达五分钟的视频中保持角色外观和语音音色的一致性。同时,一个训练后处理流程将基于记忆的强化学习与分布匹配蒸馏相结合,实现了7.5倍的速度提升,显著增强了视觉质量和对齐效果。00
omega-aiOmega-AI:基于java打造的深度学习框架,帮助你快速搭建神经网络,实现模型推理与训练,引擎支持自动求导,多线程与GPU运算,GPU支持CUDA,CUDNN。Java04
llm-universe本项目是一个面向小白开发者的大模型应用开发教程,在线阅读地址:https://datawhalechina.github.io/llm-universe/Jupyter Notebook08
热门内容推荐
最新内容推荐
项目优选
收起
暂无描述
Dockerfile
763
4.97 K
本项目是CANN提供的transformer类大模型算子库,实现网络在NPU上加速计算。
C++
856
1.92 K
本项目是CANN提供的神经网络类计算算子库,实现网络在NPU上加速计算。
C++
677
1.33 K
Ascend Extension for PyTorch
Python
719
875
deepin linux kernel
C
32
16
openEuler内核是openEuler操作系统的核心,既是系统性能与稳定性的基石,也是连接处理器、设备与服务的桥梁。
C
455
437
本项目是CANN提供的数学类基础计算算子库,实现网络在NPU上加速计算。
C++
1.07 K
1.09 K
华为昇腾面向大规模分布式训练的多模态大模型套件,支撑多模态生成、多模态理解。
Python
150
252
CANN 学习中心仓,支持在线互动运行、边学边练,提供教程、示例与优化方案,一站式助力昇腾开发者快速上手。
Jupyter Notebook
297
116
昇腾LLM分布式训练框架
Python
178
220