Dnd-Kit 抽象层核心功能升级解析
项目概述
Dnd-Kit 是一个现代化的拖拽交互工具库,为开发者提供了构建复杂拖拽界面的基础能力。其抽象层(@dnd-kit/abstract)作为核心模块,负责处理拖拽操作的核心逻辑和状态管理。
本次更新亮点
原生事件属性增强
本次更新在dragstart、dragmove和dragend事件中新增了nativeEvent属性。这一改进使得开发者能够区分用户触发的原生事件和传感器触发的程序化事件。在实际应用中,当我们需要判断某个拖拽操作是否直接来自用户交互时,检查nativeEvent是否存在就变得非常简单。
碰撞检测优化
修复了CollisionObserver中一个关键问题:在拖拽操作初始化时,初始碰撞集合未被正确设置和通知。这个修复确保了拖拽开始时就能准确获取碰撞信息,对于需要立即响应碰撞状态的场景(如实时高亮潜在放置区域)尤为重要。
非传播移动动作支持
新增了不传播到dragmove监听器的move动作触发选项。这个功能特别有用,比如当我们基于一个dragmove事件触发另一个dragmove动作时,可以避免无限循环的情况。开发者现在可以更精细地控制事件传播链。
依赖关系完善
将dragOperation.shape.initial添加到导致transform和modifiers重新计算的依赖列表中。这一变更确保了当拖拽元素的初始形状发生变化时,相关的变换和修饰器能够及时更新,保持UI状态的一致性。
技术实现深度解析
事件系统增强
事件系统的改进采用了装饰器模式,在不破坏现有API的情况下扩展了事件对象。nativeEvent属性的加入采用了类型守卫技术,通过TypeScript的类型系统为开发者提供了良好的类型提示。
碰撞检测机制
碰撞检测的修复涉及观察者模式的优化。初始碰撞集合现在会在拖拽开始时立即计算并通知所有订阅者,这通过引入初始化阶段的状态快照机制实现,确保了数据的及时性和准确性。
动作传播控制
非传播移动动作的实现采用了命令模式,为move动作添加了propagate标志位。当该标志为false时,调度器会跳过事件监听器的通知流程,但依然会更新内部状态。
升级建议
对于现有项目,建议重点关注以下升级点:
- 如果项目中有自定义传感器实现,需要检查是否正确处理了
nativeEvent属性 - 依赖碰撞检测初始状态的功能需要验证是否按预期工作
- 复杂的事件处理链可以考虑使用非传播动作来优化性能
总结
这次@dnd-kit/abstract的更新虽然版本号变化不大,但带来了多项质量改进和功能增强,特别是在事件系统和碰撞检测方面的优化,使得库的核心功能更加健壮和灵活。这些改进为构建更复杂的拖拽交互场景提供了更好的基础支持。
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