GladysAssistant项目v4.51.0版本发布:Z-Wave场景控制器与Zigbee设备支持升级
GladysAssistant是一个开源的智能家居自动化平台,旨在为用户提供简单易用的家庭自动化解决方案。它支持多种智能家居协议,允许用户通过一个统一的界面控制和管理各种智能设备。本次发布的v4.51.0版本带来了多项功能增强和问题修复,特别是在Z-Wave和Zigbee设备支持方面有了显著改进。
核心功能更新
Z-Wave场景控制器支持
本次更新中最重要的功能之一是新增了对Z-Wave场景控制器的支持。Z-Wave是一种流行的智能家居无线通信协议,广泛应用于各种家庭自动化设备中。场景控制器是一种特殊的Z-Wave设备,允许用户通过物理按钮触发预设的场景或自动化。
在v4.51.0版本中,GladysAssistant现在能够正确识别和处理来自Z-Wave场景控制器的事件。这意味着用户可以:
- 将物理按钮与智能家居场景关联
- 通过简单的按键操作触发复杂的自动化流程
- 实现更直观的家庭控制体验
这项改进使得GladysAssistant与Z-Wave生态系统的集成更加完善,为用户提供了更多灵活的控制选项。
Zigbee设备支持扩展
在Zigbee设备支持方面,本次更新包含了多项增强:
-
新增对Aqara WXKG15LM无线开关的支持:这是一款来自Aqara的紧凑型无线开关,现在可以完美集成到GladysAssistant系统中。用户可以利用这款设备作为智能家居的物理控制点。
-
智能门铃HEIMAN HS2DB的集成:这款Zigbee协议的智能门铃现在可以被GladysAssistant识别和使用,为用户提供了更完整的智能门禁解决方案。
-
设备标识符迁移改进:对Lixee TIC设备的selector和external_id进行了迁移优化,提高了设备识别的准确性和稳定性。
这些改进使得GladysAssistant能够支持更多种类的Zigbee设备,进一步扩展了其兼容性范围。
技术优化与问题修复
MQTT连接稳定性提升
MQTT是一种轻量级的发布/订阅消息传输协议,广泛应用于物联网设备通信。本次更新对MQTT功能进行了重要改进:
- 修复了MQTT自动重连机制在自定义主题下的问题
- 更新了MQTT客户端库版本
- 提高了连接中断后的恢复能力
这些改进确保了基于MQTT协议的设备(如许多Zigbee网关)能够保持更稳定的连接,减少了通信中断的风险。
性能与构建优化
在系统性能方面,本次更新包含了两项重要改进:
-
Axios库升级:修复了请求分块响应的问题,提高了HTTP通信的可靠性。Axios是一个基于Promise的HTTP客户端,广泛用于浏览器和Node.js环境中。
-
构建流程优化:通过停止重复安装npm包,显著加快了构建过程。这一优化不仅提高了开发效率,也减少了构建过程中的潜在问题。
总结
GladysAssistant v4.51.0版本通过新增Z-Wave场景控制器支持和扩展Zigbee设备兼容性,进一步巩固了其作为多功能智能家居中心的地位。同时,MQTT连接稳定性的提升和构建流程的优化,为用户和开发者都带来了更好的体验。
这些改进使得GladysAssistant能够更好地服务于各种智能家居场景,从简单的设备控制到复杂的自动化流程,为用户提供了更强大、更可靠的家庭自动化解决方案。随着兼容设备数量的不断增加和核心功能的持续优化,GladysAssistant正逐步成为一个更加完善的智能家居平台选择。
kernelopenEuler内核是openEuler操作系统的核心,既是系统性能与稳定性的基石,也是连接处理器、设备与服务的桥梁。C092
baihu-dataset异构数据集“白虎”正式开源——首批开放10w+条真实机器人动作数据,构建具身智能标准化训练基座。00
mindquantumMindQuantum is a general software library supporting the development of applications for quantum computation.Python058
PaddleOCR-VLPaddleOCR-VL 是一款顶尖且资源高效的文档解析专用模型。其核心组件为 PaddleOCR-VL-0.9B,这是一款精简却功能强大的视觉语言模型(VLM)。该模型融合了 NaViT 风格的动态分辨率视觉编码器与 ERNIE-4.5-0.3B 语言模型,可实现精准的元素识别。Python00
GLM-4.7GLM-4.7上线并开源。新版本面向Coding场景强化了编码能力、长程任务规划与工具协同,并在多项主流公开基准测试中取得开源模型中的领先表现。 目前,GLM-4.7已通过BigModel.cn提供API,并在z.ai全栈开发模式中上线Skills模块,支持多模态任务的统一规划与协作。Jinja00
AgentCPM-Explore没有万亿参数的算力堆砌,没有百万级数据的暴力灌入,清华大学自然语言处理实验室、中国人民大学、面壁智能与 OpenBMB 开源社区联合研发的 AgentCPM-Explore 智能体模型基于仅 4B 参数的模型,在深度探索类任务上取得同尺寸模型 SOTA、越级赶上甚至超越 8B 级 SOTA 模型、比肩部分 30B 级以上和闭源大模型的效果,真正让大模型的长程任务处理能力有望部署于端侧。Jinja00