【免费下载】 Twinkle Tray 下载及安装教程
1. 项目介绍
Twinkle Tray 是一个开源项目,旨在帮助 Windows 用户轻松管理外部显示器的亮度。尽管 Windows 本身可以调整大多数显示器的背光亮度,但它并不支持外部显示器,并且缺乏管理多个显示器亮度的选项。Twinkle Tray 通过在系统托盘中添加一个新图标,使用户可以即时访问所有兼容显示器的亮度级别。
2. 项目下载位置
你可以从以下位置下载 Twinkle Tray:
- GitHub Releases: Twinkle Tray Releases
- 官方网站: Twinkle Tray 官方网站
3. 项目安装环境配置
Twinkle Tray 是一个基于 Electron 的应用程序,因此你需要确保你的系统满足以下环境要求:
- 操作系统: Windows 10 或 Windows 11
- Node.js: 建议安装最新版本的 Node.js(可选,如果你需要从源代码构建)
环境配置示例
-
安装 Node.js
访问 Node.js 官方网站 下载并安装最新版本的 Node.js。
-
安装 Git
如果你需要从源代码构建 Twinkle Tray,请访问 Git 官方网站 下载并安装 Git。

4. 项目安装方式
通过安装包安装
- 从 GitHub Releases 下载最新的安装包(通常是一个
.exe文件)。 - 双击下载的
.exe文件,按照安装向导的提示完成安装。 - 安装完成后,你会在系统托盘中看到 Twinkle Tray 的图标。
通过包管理器安装
使用 Chocolatey 安装
-
打开命令提示符(以管理员身份运行)。
-
运行以下命令安装 Twinkle Tray:
choco install twinkle-tray -
安装完成后,你会在系统托盘中看到 Twinkle Tray 的图标。
使用 Scoop 安装
-
打开 PowerShell(以管理员身份运行)。
-
运行以下命令添加 Scoop Extras 桶:
scoop bucket add extras -
运行以下命令安装 Twinkle Tray:
scoop install extras/twinkle-tray -
安装完成后,你会在系统托盘中看到 Twinkle Tray 的图标。
5. 项目处理脚本
Twinkle Tray 支持通过命令行调整显示器的亮度。以下是一些常用的命令行参数示例:
-
调整特定显示器的亮度:
"%LocalAppData%\Programs\twinkle-tray\Twinkle Tray.exe" --MonitorNum=1 --Offset=-30该命令将调整编号为 1 的显示器的亮度,降低 30%。
-
列出所有显示器(从 v1.14.0+ 开始支持):
"%LocalAppData%\Programs\twinkle-tray\Twinkle Tray.exe" --List -
设置特定显示器的亮度:
"%LocalAppData%\Programs\twinkle-tray\Twinkle Tray.exe" --MonitorNum=2 --Set=95该命令将编号为 2 的显示器的亮度设置为 95%。
通过这些命令行参数,你可以自动化亮度调整任务,或者在脚本中集成 Twinkle Tray 的功能。
通过以上步骤,你应该能够成功下载并安装 Twinkle Tray,并开始使用它来管理你的显示器亮度。
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 StartedRust098- 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
MiMo-V2.5-ProMiMo-V2.5-Pro作为旗舰模型,擅⻓处理复杂Agent任务,单次任务可完成近千次⼯具调⽤与⼗余轮上 下⽂压缩。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
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