Appsmith v1.55版本发布:表格组件增强与编辑器体验优化
Appsmith作为一款开源的低代码开发平台,近期发布了v1.55版本更新。该平台主要帮助开发者快速构建内部工具、管理面板和业务应用,通过可视化拖拽界面连接数据源并构建UI。本次更新聚焦于表格组件的功能增强和编辑器体验的全面优化,为开发者提供了更强大的工具和更流畅的开发体验。
表格组件功能增强
在本次更新中,Appsmith对表格组件进行了两项重要改进:
-
单元格对齐方式自定义:现在开发者可以在样式面板中为表格按钮单元格设置对齐属性。这一改进使得表格中的按钮布局更加灵活,开发者可以根据实际需求将按钮左对齐、右对齐或居中对齐,从而提升表格的整体美观性和用户体验。
-
自定义行组件支持:ads-old表格现在支持接收自定义行组件。这项功能为开发者提供了更高的灵活性,可以根据业务需求定制每一行的显示内容和交互方式。例如,开发者可以在表格行中嵌入复杂的交互元素或自定义样式,而不必受限于默认的行组件限制。
编辑器体验全面优化
v1.55版本对编辑器进行了多方面的优化,显著提升了开发效率和使用体验:
-
导航与标签页改进:
- 修复了默认标签页的分割逻辑,确保在不同场景下都能正确显示默认标签页
- 优化了查询标签页的滚动条边距,消除了视觉上的不协调感
- 解决了"移至页面"选项在只有两个页面时不显示的问题
-
菜单与交互优化:
- 修复了kebab菜单重命名时跳转到错误标签页的问题
- 当菜单没有选项时,现在会正确避免渲染空内容
- 改进了通用表单编辑器头的z-index问题,确保弹出层能正确显示
-
代码编辑增强:
- 新增了JS运行函数名称的最大长度验证,防止命名过长导致的问题
- 加强了JS代码编辑时的缩进验证,帮助开发者保持代码格式规范
集成与API改进
本次更新还对Appsmith的集成能力进行了优化:
- 修复了数据源和API中的一些小问题,提升了整体稳定性
- 改进了Calendly链接在"安排通话"功能中的表现
- 优化了Jira和Slack集成的Premium标签显示方式
技术细节与开发者建议
对于使用Appsmith的开发者,本次更新中有几个值得注意的技术细节:
-
表格自定义开发:利用新的自定义行组件功能,开发者可以创建更复杂的表格交互。建议在设计自定义行组件时保持一致性,确保与整体应用风格协调。
-
JS开发规范:新增的函数名长度限制(通常建议不超过一定字符数)和缩进验证,有助于维护代码质量。开发者应该注意遵循这些规范,特别是在团队协作项目中。
-
URL处理:更新后的URL评估逻辑更加精确,开发者可以更可靠地处理动态URL和参数传递。
Appsmith v1.55版本的这些改进,特别是表格组件的增强和编辑器体验的优化,将显著提升开发者的工作效率和应用质量。对于正在使用或考虑采用Appsmith的团队来说,这些更新值得关注和尝试。
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