Avo项目v3.21.0版本发布:功能增强与问题修复
Avo是一个基于Ruby on Rails的开源管理面板框架,它允许开发者快速构建功能丰富的后台管理系统。通过Avo,开发者可以轻松创建数据管理界面、自定义操作和可视化仪表板,而无需编写大量前端代码。Avo遵循"约定优于配置"的原则,提供了大量开箱即用的功能,同时保持高度可定制性。
核心功能增强
本次3.21.0版本带来了多项功能改进,进一步提升了开发体验和系统灵活性:
-
集群分割线支持:新增了集群(Cluster)分割线功能,使得在表单中将相关字段分组显示时,可以通过视觉分割线增强可读性。这对于包含大量字段的复杂表单特别有用。
-
自定义路由集成:
mount_avo方法现在支持传入自定义路由块,这为开发者提供了更大的灵活性,可以在Avo路由上下文中添加自己的定制路由。 -
索引页记录分配:现在可以直接从索引页面执行记录分配操作,简化了批量处理记录的流程,提升了管理效率。
-
许可证响应配置:新增了
clear_license_response_on_deploy配置选项,为许可证管理提供了更细粒度的控制。
关键问题修复
开发团队修复了多个影响用户体验的问题:
-
多态关联修复:解决了
belongs_to多态关联在集群中的显示问题,并修复了多态持有者div的隐藏逻辑。 -
嵌套表单改进:修复了嵌套表单中的标签字段问题,确保数据正确保存和显示。
-
过滤器稳定性:
- 修复了关联字段上的过滤器功能
- 确保在使用"从...获取值"时保留过滤值
- 解决了独立
index_control操作的self.query填充问题
-
操作菜单可见性:修正了操作下拉菜单的显示问题,确保菜单在打开时保持可见并位于最上层。
-
资源管理改进:
- 在资源管理器的
fetch_resources和初始化过程中正确标记BaseResource为抽象类 - 修复了通过父资源编辑时的导航问题
- 解决了数组资源上的行操作问题
- 在资源管理器的
技术优化与重构
本次版本包含多项内部改进:
-
代码清理:移除了不再使用的遗留代码,保持代码库整洁。
-
字段类型增强:
- 为键值字段添加了
store_accessor支持 - 允许进度字段提交nil值
- 为键值字段添加了
-
组件解耦:将卡片逻辑从组件中分离出来,提高了代码的可维护性。
依赖项更新
项目持续保持依赖项的最新状态:
- 更新了所有Ruby Bundler依赖(2025年5月8日、15日、22日、29日)
- 更新了所有Yarn依赖(同期)
- 安全更新了trix编辑器(2.1.14 → 2.1.15)
总结
Avo 3.21.0版本在保持稳定性的同时,引入了多项实用功能和重要修复。这些改进特别关注开发者体验和数据管理效率,使得构建复杂管理界面更加顺畅。对于现有用户来说,升级到这个版本将获得更可靠的多态关联处理、更灵活的配置选项以及更直观的界面交互。
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