Enaml 开源项目教程
1. 项目介绍
Enaml 是一个用于创建专业级用户界面的编程语言和框架,具有 Python 风格的声明式编程语言。它提供了丰富的内置小部件(基于 Qt)、基于约束的布局引擎(基于 Kiwi)、与数据模型工具的集成(基于 Atom),以及一个可选的编辑器,允许用户在编写代码时实时查看结果。Enaml 的目标是让用户能够快速构建原生 GUI 应用程序,适用于多种平台,包括 Linux、Windows、MacOSX、Android 和 iOS。
2. 项目快速启动
安装 Enaml
首先,确保你已经安装了 Python 3.6 或更高版本。然后,使用 pip 安装 Enaml:
pip install enaml
创建第一个 Enaml 应用
创建一个新的 Python 文件 hello_world.py,并输入以下代码:
import enaml
from enaml.core.api import Looper
from enaml.widgets.api import Window, Label
with enaml.imports():
from enaml.stdlib.message_box import message_box
def main():
with enaml.imports():
from hello_world_view import HelloWorldView
view = HelloWorldView()
view.show()
if __name__ == "__main__":
main()
接下来,创建一个名为 hello_world_view.enaml 的文件,并输入以下代码:
enamldef HelloWorldView(Window):
title = "Hello World"
Label:
text = "Hello, Enaml!"
运行你的应用:
python hello_world.py
你应该会看到一个带有 "Hello, Enaml!" 标签的窗口。
3. 应用案例和最佳实践
应用案例
员工教程
Enaml 的员工教程展示了如何使用约束和验证器来创建易于使用且外观专业的应用程序。这个教程通过一个简单的员工信息管理系统,展示了 Enaml 的强大功能和灵活性。
按钮环示例
按钮环示例展示了约束布局的强大和灵活性。尽管结果可能看起来不那么专业,但它展示了在典型布局系统中无法实现的复杂布局。
最佳实践
- 使用约束布局:Enaml 的约束布局引擎非常强大,建议在设计界面时充分利用它,以确保界面在不同平台和窗口大小下都能自动适应。
- 分离模型和视图:Enaml 鼓励模型和视图的分离,这有助于保持代码的整洁和易于维护。
- 利用内置小部件:Enaml 提供了丰富的小部件库,建议在开发过程中充分利用这些内置小部件,以减少开发时间和提高代码质量。
4. 典型生态项目
Kiwi
Kiwi 是一个强大的约束求解器,用于 Enaml 的布局引擎。它允许用户通过声明式的方式定义布局约束,从而简化界面设计。
Atom
Atom 是一个数据模型工具,用于 Enaml 的数据模型集成。它提供了强大的数据绑定和验证功能,使得数据驱动的应用程序开发更加简单和高效。
Qt
Enaml 的界面是基于 Qt 构建的,Qt 是一个跨平台的 C++ 库,用于开发图形用户界面。Enaml 利用 Qt 的强大功能,提供了丰富的界面组件和良好的跨平台支持。
通过这些生态项目的支持,Enaml 能够提供一个完整且强大的开发环境,帮助开发者快速构建高质量的用户界面。
ERNIE-4.5-VL-28B-A3B-ThinkingERNIE-4.5-VL-28B-A3B-Thinking 是 ERNIE-4.5-VL-28B-A3B 架构的重大升级,通过中期大规模视觉-语言推理数据训练,显著提升了模型的表征能力和模态对齐,实现了多模态推理能力的突破性飞跃Python00
unified-cache-managementUnified Cache Manager(推理记忆数据管理器),是一款以KV Cache为中心的推理加速套件,其融合了多类型缓存加速算法工具,分级管理并持久化推理过程中产生的KV Cache记忆数据,扩大推理上下文窗口,以实现高吞吐、低时延的推理体验,降低每Token推理成本。Python03
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
Spark-Prover-7BSpark-Prover-7B is a 7B-parameter large language model developed by iFLYTEK for automated theorem proving in Lean4. It generates complete formal proofs for mathematical theorems using a three-stage training framework combining pre-training, supervised fine-tuning, and reinforcement learning. The model achieves strong formal reasoning performance and state-of-the-art results across multiple theorem-proving benchmarksPython00
MiniCPM-V-4_5MiniCPM-V 4.5 是 MiniCPM-V 系列中最新且功能最强的模型。该模型基于 Qwen3-8B 和 SigLIP2-400M 构建,总参数量为 80 亿。与之前的 MiniCPM-V 和 MiniCPM-o 模型相比,它在性能上有显著提升,并引入了新的实用功能Python00
Spark-Formalizer-7BSpark-Formalizer-7B is a 7B-parameter large language model by iFLYTEK for mathematical auto-formalization. It translates natural-language math problems into precise Lean4 formal statements, achieving high accuracy and logical consistency. The model is trained with a two-stage strategy combining large-scale pre-training and supervised fine-tuning for robust formal reasoning.Python00
GOT-OCR-2.0-hf阶跃星辰StepFun推出的GOT-OCR-2.0-hf是一款强大的多语言OCR开源模型,支持从普通文档到复杂场景的文字识别。它能精准处理表格、图表、数学公式、几何图形甚至乐谱等特殊内容,输出结果可通过第三方工具渲染成多种格式。模型支持1024×1024高分辨率输入,具备多页批量处理、动态分块识别和交互式区域选择等创新功能,用户可通过坐标或颜色指定识别区域。基于Apache 2.0协议开源,提供Hugging Face演示和完整代码,适用于学术研究到工业应用的广泛场景,为OCR领域带来突破性解决方案。00- HHowToCook程序员在家做饭方法指南。Programmer's guide about how to cook at home (Chinese only).Dockerfile014
Spark-Scilit-X1-13B科大讯飞Spark Scilit-X1-13B基于最新一代科大讯飞基础模型,并针对源自科学文献的多项核心任务进行了训练。作为一款专为学术研究场景打造的大型语言模型,它在论文辅助阅读、学术翻译、英语润色和评论生成等方面均表现出色,旨在为研究人员、教师和学生提供高效、精准的智能辅助。Python00- PpathwayPathway is an open framework for high-throughput and low-latency real-time data processing.Python00