Saleor Dashboard 3.20.26版本发布:集合管理与用户体验优化
Saleor是一个基于GraphQL的现代化电子商务平台,其Dashboard作为管理后台提供了丰富的功能。本次3.20.26版本的发布主要围绕集合管理功能优化和用户体验改进展开,为电商运营者带来了更流畅的操作体验。
集合管理功能增强
集合(Collection)是电商平台中商品分类管理的重要功能。本次更新对集合管理进行了多项改进:
-
集合创建流程优化:现在创建新集合后,系统会立即显示已分配的渠道列表,让管理员能够快速确认集合的发布状态,避免了以往需要额外点击查看的步骤。
-
集合内商品排序:新增了拖拽排序功能,管理员现在可以直接通过拖拽调整集合内商品的显示顺序,无需手动输入排序值。这一改进特别适合需要频繁调整商品展示位置的运营场景。
-
导航体验改善:修复了从集合详情页返回集合列表页的导航问题,使后台操作流程更加连贯自然。
订单管理功能优化
订单处理是电商后台的核心功能之一,本次更新带来了多项实用改进:
-
交易记录显示优化:订单交易列表现在会显示交易名称而非仅显示ID,使财务对账更加直观。
-
订单备注增强:
- 增加了订单备注的编辑功能
- 备注现在会显示ID和关联备注ID
- 明确区分"新增"和"更新"类型的备注
- 这些改进使客服团队能够更好地追踪订单沟通历史
数据表格与模态框交互改进
-
新标签页打开功能:
- 支持通过Cmd/Ctrl+点击在数据表格中打开项目新标签页
- 改进后的功能会正确考虑挂载点(mounting point),确保URL构造准确
-
模态框统一规范:
- 所有模态框现在采用统一的最大高度标准
- 修复了大屏幕下滚动加载内容的问题
- 这些改进使后台界面更加一致,提升了操作体验
技术架构与监控增强
-
页面浏览追踪:集成了Posthog分析工具,现在可以追踪管理后台的页面浏览数据,为产品优化提供数据支持。
-
服务标识头:当ENABLED_SERVICE_NAME_HEADER设置为true时,Dashboard会向API发送源标识头,这一改进需要核心服务版本≥3.20.68的支持,为微服务架构下的请求追踪提供了更好的支持。
其他用户体验改进
-
编辑器稳定性:修复了Editor.js在保存时可能出现的错误,提高了内容编辑的可靠性。
-
欢迎页面优化:调整了欢迎页面活动列表项的视觉表现,避免了可能误导用户的可点击暗示。
本次Saleor Dashboard 3.20.26版本的更新,从细节处提升了电商管理后台的使用体验,特别是在集合管理和订单处理等核心功能上做出了实用改进,体现了Saleor团队对用户体验的持续关注。
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- QQwen3.5-397B-A17BQwen3.5 实现了重大飞跃,整合了多模态学习、架构效率、强化学习规模以及全球可访问性等方面的突破性进展,旨在为开发者和企业赋予前所未有的能力与效率。Jinja00
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
ruoyi-plus-soybeanRuoYi-Plus-Soybean 是一个现代化的企业级多租户管理系统,它结合了 RuoYi-Vue-Plus 的强大后端功能和 Soybean Admin 的现代化前端特性,为开发者提供了完整的企业管理解决方案。Vue06- 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
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