Electron Forge v7.6.1 版本发布:关键修复与现代化改进
项目简介
Electron Forge 是一个强大的 Electron 应用程序打包和发布工具链,它简化了 Electron 应用的开发流程,提供了从项目初始化到最终打包发布的一站式解决方案。作为 Electron 生态中的核心工具之一,Forge 帮助开发者处理了构建、打包和发布过程中的各种复杂细节。
版本亮点
Electron Forge v7.6.1 是一个维护性版本,主要聚焦于错误修复和依赖项更新,同时引入了一些现代化改进。这个版本虽然没有重大功能变更,但对开发者体验和项目稳定性有着重要意义。
核心修复内容
1. DMG 打包工具修复
本次更新修复了 MakerDMGConfig 中多余属性的问题,使得 DMG 打包配置更加清晰和准确。这对于 macOS 平台的开发者尤为重要,确保了打包配置的纯净性和有效性。
2. npm 安装命令优化
移除了 npm install 命令中多余的 --save 标志。这个标志在现代 npm 版本中已经不再需要,因为默认行为已经包含了保存依赖的功能。这一改动使得命令更加简洁,同时避免了潜在的兼容性问题。
3. 原生模块处理改进
更新了原生模块的解包模式,现在能够正确处理包含隐藏目录的情况。这一改进对于依赖原生模块的 Electron 应用特别重要,确保了这些模块在各种目录结构下都能被正确识别和处理。
4. Node.js 22 兼容性
针对 Node.js 22 版本进行了兼容性调整,特别是修复了 macos-alias 模块的构建问题。这确保了 Electron Forge 能够在新版本的 Node.js 环境中正常运行。
开发者体验改进
1. 依赖管理现代化
项目移除了不再使用的 pretty-ms 依赖,并升级了多个关键依赖,包括:
- Vite 从 5.4.11 升级到 5.4.12
- TypeScript 升级到 5.4 版本
- ESLint 相关依赖全面升级
这些更新不仅带来了性能改进,也确保了项目依赖的安全性和现代性。
2. 构建系统增强
Vite 插件现在能够正确处理包含连字符的渲染器名称,这为项目命名提供了更大的灵活性。同时,项目内部工具链也从 yarn-or-npm 迁移到了更现代的 detect-package-manager,提升了包管理器检测的准确性。
测试基础设施升级
1. 测试框架迁移
项目正在逐步将测试从传统框架迁移到 Vitest:
- 快速测试套件已完成迁移
- 慢速测试套件也正在进行迁移
- 升级到了 Vitest 3 版本
这一迁移不仅提升了测试速度,也带来了更现代的测试体验和更好的开发体验。
2. CI/CD 优化
持续集成流程进行了多项改进:
- 禁用了并行执行以提高稳定性
- 将 gh-pages 工作流迁移到 ubuntu-latest 运行器
- 升级了 corepack 中的 yarn 版本
这些改动使得自动化流程更加可靠和高效。
代码质量提升
1. 代码清理
移除了不再使用的 download-to-file 工具函数,保持了代码库的整洁。同时,项目开始全面采用 node: 前缀来引用 Node.js 内置模块,这是一种现代且推荐的做法。
2. 模板改进
项目模板现在会安装与 Forge 版本相匹配的 fuses 包,确保了新项目的一致性和兼容性。
总结
Electron Forge v7.6.1 虽然是一个小版本更新,但包含了多项对开发者有实际价值的改进。从核心功能的修复到依赖项的现代化,再到测试基础设施的升级,这个版本进一步提升了 Electron 应用开发的体验和可靠性。对于正在使用 Electron Forge 的开发者来说,升级到这个版本将获得更好的稳定性和兼容性。
GLM-5.1GLM-5.1是智谱迄今最智能的旗舰模型,也是目前全球最强的开源模型。GLM-5.1大大提高了代码能力,在完成长程任务方面提升尤为显著。和此前分钟级交互的模型不同,它能够在一次任务中独立、持续工作超过8小时,期间自主规划、执行、自我进化,最终交付完整的工程级成果。Jinja00
atomcodeAn open-source alternative to Claude Code. Connect any LLM, edit code, run commands, and verify changes — autonomously. Built in Rust for speed. Get StartedRust013
MiniMax-M2.7MiniMax-M2.7 是我们首个深度参与自身进化过程的模型。M2.7 具备构建复杂智能体应用框架的能力,能够借助智能体团队、复杂技能以及动态工具搜索,完成高度精细的生产力任务。Python00- 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
HY-Embodied-0.5这是一套专为现实世界具身智能打造的基础模型。该系列模型采用创新的混合Transformer(Mixture-of-Transformers, MoT) 架构,通过潜在令牌实现模态特异性计算,显著提升了细粒度感知能力。Jinja00
LongCat-AudioDiT-1BLongCat-AudioDiT 是一款基于扩散模型的文本转语音(TTS)模型,代表了当前该领域的最高水平(SOTA),它直接在波形潜空间中进行操作。00
ERNIE-ImageERNIE-Image 是由百度 ERNIE-Image 团队开发的开源文本到图像生成模型。它基于单流扩散 Transformer(DiT)构建,并配备了轻量级的提示增强器,可将用户的简短输入扩展为更丰富的结构化描述。凭借仅 80 亿的 DiT 参数,它在开源文本到图像模型中达到了最先进的性能。该模型的设计不仅追求强大的视觉质量,还注重实际生成场景中的可控性,在这些场景中,准确的内容呈现与美观同等重要。特别是,ERNIE-Image 在复杂指令遵循、文本渲染和结构化图像生成方面表现出色,使其非常适合商业海报、漫画、多格布局以及其他需要兼具视觉质量和精确控制的内容创作任务。它还支持广泛的视觉风格,包括写实摄影、设计导向图像以及更多风格化的美学输出。Jinja00