Puck编辑器v0.18.0发布:革命性的多维度拖拽布局引擎
项目简介
Puck是一个基于React的可视化页面构建工具,它允许开发者通过拖拽组件的方式快速搭建页面。作为一个开源项目,Puck特别适合需要自定义内容管理系统的场景,为开发者提供了灵活的组件配置和实时预览功能。
核心升级:全新的拖拽引擎
本次v0.18.0版本带来了具有里程碑意义的拖拽引擎升级,彻底改变了Puck的布局能力。
多维布局支持
新引擎原生支持CSS Grid和Flexbox布局,开发者现在可以:
- 直接在DropZone上设置display属性(flex/grid等)
- 实现复杂的多列布局
- 创建响应式设计体验
<DropZone
zone="content"
style={{ display: "grid", gridTemplateColumns: "1fr 1fr" }}
/>
内联模式与拖拽引用
新增的inline属性和dragRef API允许组件去除Puck的包装元素,这对于需要精确控制布局的CSS属性(如flex-grow)特别有用:
const Card = {
inline: true,
render: ({ puck }) => (
<div ref={puck.dragRef} style={{ flexGrow: 1 }}>
{/* 内容 */}
</div>
)
}
嵌套区域拖拽
解决了长期存在的限制,现在可以在嵌套的DropZone之间直接拖拽组件,大大提升了编辑体验的流畅度。
其他重要改进
动态高度的DropZone
DropZone现在会根据子元素自动调整高度,同时提供了minEmptyHeight属性控制空状态时的最小高度:
<DropZone zone="content" minEmptyHeight={200} />
交互模式切换
新增cmd+i/ctrl+i快捷键,可以在预览模式下快速切换组件的交互状态,方便测试点击效果。
父组件选择器
在操作栏新增了父组件选择按钮,可以快速跳转到当前组件的父级进行编辑。
布局优化
移除了position: fixed样式,使Puck更容易嵌入到现有应用中。
开发者工具增强
ActionBar标签组件
新增<ActionBar.Label>组件,可以在自定义操作栏中创建分类区域:
<ActionBar>
<ActionBar.Label label="样式设置" />
{/* 样式相关操作 */}
<ActionBar.Label label="内容设置" />
{/* 内容相关操作 */}
</ActionBar>
升级注意事项
- React版本要求:不再支持React 17,请确保升级到React 18+
- Drawer组件变更:direction属性已失效,改为使用常规CSS控制布局
- DropZone一致性:现在始终使用div包装,可能影响现有样式
- 废弃属性:Drawer.Item的index和Drawer的droppableId将被移除
技术实现亮点
新拖拽引擎基于dnd-kit实现,通过精心设计的碰撞检测算法和布局感知系统,实现了在多维空间中的精准定位。引擎会自动识别父容器的布局方式(flex/grid/block),并相应调整拖拽行为。
对于高级用户,还可以通过collisionAxis属性强制指定碰撞检测方向,满足特殊布局需求。
总结
Puck v0.18.0通过革命性的拖拽引擎,将可视化编辑体验提升到了新高度。它不仅解决了长期存在的布局限制,还为开发者提供了更精细的控制能力。无论是简单的营销页面还是复杂的应用界面,现在都能通过Puck高效构建。
这次升级标志着Puck从一个基础的内容编辑器,成长为真正专业的可视化开发工具,为React生态中的低代码解决方案树立了新标准。
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
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