Kando菜单系统:标记菜单与锚定模式的交互设计探讨
2025-06-16 01:55:37作者:齐添朝
标记菜单的核心设计理念
Kando作为新一代的标记菜单系统,其设计理念源自Gordon Kurtenbach在30年前提出的标记菜单概念。与传统静态饼图菜单不同,标记菜单通过动态跟随指针的交互方式实现了独特的操作范式:
- 空间不变性:菜单始终以指针为中心展开,用户只需关注方向而无需考虑移动距离
- 手势组合:通过直线段组成的折线手势实现多级菜单快速导航
- 即时反馈:子菜单在移动暂停或转向时立即触发,形成流畅的操作流
这种设计显著提升了高频操作的效率,经Fitts定律验证,其目标获取时间理论上比传统点选方式快数倍。
用户认知差异引发的交互模式讨论
在实际使用中,开发者注意到两类典型的用户认知模式:
空间定位型用户:
- 依赖屏幕绝对位置记忆
- 偏好菜单固定显示在初始位置
- 对动态跟随的菜单移动产生"晕动"不适感
- 在低频操作场景下更倾向可视化遍历
手势流型用户:
- 依赖相对方向和肌肉记忆
- 适应动态参考系转换
- 通过手势组合实现盲操作
- 在高频操作场景效率优势明显
锚定模式的技术实现与权衡
为满足不同认知风格用户需求,Kando引入了锚定模式技术方案:
class MenuBehavior:
def __init__(self):
self.anchored = False # 模式切换标志
def open_submenu(self, position):
if self.anchored:
return self.initial_position # 固定位置逻辑
else:
return current_pointer_position # 动态跟随逻辑
该实现带来以下技术特性:
- 禁用标记手势功能,回归传统点选交互
- 保持菜单层级结构可视化
- 牺牲部分操作效率换取认知舒适度
- 特别适合低频、深层级菜单场景
交互设计启示与最佳实践
通过这个案例我们可以获得以下普适性设计原则:
- 渐进式引导:对非传统交互范式需要明确的入门引导
- 认知包容性:同一功能可能需要适配不同的心智模型
- 场景适配:高频/低频使用场景可能需要不同的交互优化
- 可控性:提供逃生舱机制让用户自主选择交互风格
对于Kando用户,建议:
- 首先尝试理解标记菜单的设计哲学
- 给手势操作2-3天的适应期
- 对低频功能组使用锚定模式
- 高频操作组采用默认标记模式
这种分层设计策略既保留了创新交互的效率优势,又为不同认知风格用户提供了友好的过渡路径。
登录后查看全文
热门项目推荐
相关项目推荐
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
项目优选
收起
deepin linux kernel
C
24
9
Ascend Extension for PyTorch
Python
223
246
暂无简介
Dart
672
157
本项目是CANN提供的数学类基础计算算子库,实现网络在NPU上加速计算。
C++
663
313
React Native鸿蒙化仓库
JavaScript
262
324
Nop Platform 2.0是基于可逆计算理论实现的采用面向语言编程范式的新一代低代码开发平台,包含基于全新原理从零开始研发的GraphQL引擎、ORM引擎、工作流引擎、报表引擎、规则引擎、批处理引引擎等完整设计。nop-entropy是它的后端部分,采用java语言实现,可选择集成Spring框架或者Quarkus框架。中小企业可以免费商用
Java
9
1
🎉 (RuoYi)官方仓库 基于SpringBoot,Spring Security,JWT,Vue3 & Vite、Element Plus 的前后端分离权限管理系统
Vue
1.2 K
655
🔥LeetCode solutions in any programming language | 多种编程语言实现 LeetCode、《剑指 Offer(第 2 版)》、《程序员面试金典(第 6 版)》题解
Java
64
19
openGauss kernel ~ openGauss is an open source relational database management system
C++
160
218
TorchAir 支持用户基于PyTorch框架和torch_npu插件在昇腾NPU上使用图模式进行推理。
Python
330
137