Project-Graph节点删除异常问题分析与解决方案
问题背景
在Project-Graph项目中,用户报告了一个关于节点删除操作的异常现象:当用户在节点附近反复拉短线进行删除操作时,有一定概率会意外触发节点的删除。这一问题在Windows 10和Windows 11系统上均可复现,且不受系统显示缩放比例的影响。
问题现象分析
通过用户提供的多张截图和详细描述,我们可以观察到以下关键现象:
- 当用户在节点上边沿的横向坐标上任意一点进行操作时,都可能触发此问题
- 异常删除发生时,正常的删除特效不会显示
- 问题在1.4.12版本后触发难度增加,但仍存在
- 系统缩放比例调整(100%或125%)不影响问题复现
技术排查过程
开发团队通过多种技术手段对问题进行了深入排查:
1. 碰撞检测算法分析
初步怀疑是直线段与矩形碰撞检测算法存在问题。该算法的本质是检测直线段与矩形边框四个线段的相交情况。在早期版本中,当鼠标恰好重叠在水平线上时也会被判定为相交,这可能是导致误判的原因之一。
2. 特效显示差异
注意到正常删除和异常删除在特效显示上的差异:
- 正常删除:显示碎块裂痕特效
- 异常删除:不显示任何特效
这一差异为问题定位提供了重要线索,表明两种删除操作触发了不同的代码路径。
3. 逐帧观察法
通过逐帧观察用户操作过程,发现:
- 存在一个白色触碰点被检测到在节点右侧
- 右上角往下切割时特别容易出现此问题
- 有时会出现三个闪烁点(第二个闪烁点频繁抖动变化)
这些观察结果表明碰撞检测可能存在不稳定现象。
问题根源
综合各种分析,确定问题根源可能来自两个方面:
-
碰撞检测算法缺陷:直线段与矩形相交的判定算法在某些边界条件下会产生误判,特别是在水平线重叠情况下。
-
碰撞箱与实际显示不一致:节点的实际矩形碰撞箱与视觉显示的边框存在不一致,导致检测位置偏移。
解决方案
开发团队实施了以下修复措施:
-
优化碰撞检测前置条件:在1.4.16版本中,修改了碰撞检测算法,避免在鼠标恰好重叠水平线时的误判。
-
统一特效触发逻辑:确保所有删除操作都通过相同的代码路径触发特效,避免出现有的删除有特效、有的没有的情况。
-
增加删除操作验证:对于过短的删除线直接不触发删除操作,作为额外的保护措施。
验证结果
经过多次版本迭代(1.4.12至1.4.17),问题得到显著改善:
- 误触发的概率大幅降低
- 需要更精确的操作才能复现问题
- 最终在1.4.17版本中问题得到完全修复
经验总结
此问题的解决过程提供了宝贵的经验:
-
用户反馈的重要性:详细的用户报告和截图对问题定位至关重要。
-
多维度验证:通过特效差异、逐帧分析等多种手段交叉验证问题根源。
-
渐进式修复:通过多个版本的逐步优化,最终彻底解决问题。
-
边界条件处理:在碰撞检测等算法中,需要特别注意边界条件的处理。
这一案例展示了在图形界面应用中,精确的碰撞检测和一致的状态管理对于用户体验的重要性,也为类似问题的解决提供了参考模式。
ERNIE-4.5-VL-28B-A3B-ThinkingERNIE-4.5-VL-28B-A3B-Thinking 是 ERNIE-4.5-VL-28B-A3B 架构的重大升级,通过中期大规模视觉-语言推理数据训练,显著提升了模型的表征能力和模态对齐,实现了多模态推理能力的突破性飞跃Python00
unified-cache-managementUnified Cache Manager(推理记忆数据管理器),是一款以KV Cache为中心的推理加速套件,其融合了多类型缓存加速算法工具,分级管理并持久化推理过程中产生的KV Cache记忆数据,扩大推理上下文窗口,以实现高吞吐、低时延的推理体验,降低每Token推理成本。Python03
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
Spark-Prover-7BSpark-Prover-7B is a 7B-parameter large language model developed by iFLYTEK for automated theorem proving in Lean4. It generates complete formal proofs for mathematical theorems using a three-stage training framework combining pre-training, supervised fine-tuning, and reinforcement learning. The model achieves strong formal reasoning performance and state-of-the-art results across multiple theorem-proving benchmarksPython00
MiniCPM-V-4_5MiniCPM-V 4.5 是 MiniCPM-V 系列中最新且功能最强的模型。该模型基于 Qwen3-8B 和 SigLIP2-400M 构建,总参数量为 80 亿。与之前的 MiniCPM-V 和 MiniCPM-o 模型相比,它在性能上有显著提升,并引入了新的实用功能Python00
Spark-Formalizer-7BSpark-Formalizer-7B is a 7B-parameter large language model by iFLYTEK for mathematical auto-formalization. It translates natural-language math problems into precise Lean4 formal statements, achieving high accuracy and logical consistency. The model is trained with a two-stage strategy combining large-scale pre-training and supervised fine-tuning for robust formal reasoning.Python00
GOT-OCR-2.0-hf阶跃星辰StepFun推出的GOT-OCR-2.0-hf是一款强大的多语言OCR开源模型,支持从普通文档到复杂场景的文字识别。它能精准处理表格、图表、数学公式、几何图形甚至乐谱等特殊内容,输出结果可通过第三方工具渲染成多种格式。模型支持1024×1024高分辨率输入,具备多页批量处理、动态分块识别和交互式区域选择等创新功能,用户可通过坐标或颜色指定识别区域。基于Apache 2.0协议开源,提供Hugging Face演示和完整代码,适用于学术研究到工业应用的广泛场景,为OCR领域带来突破性解决方案。00- HHowToCook程序员在家做饭方法指南。Programmer's guide about how to cook at home (Chinese only).Dockerfile014
Spark-Scilit-X1-13B科大讯飞Spark Scilit-X1-13B基于最新一代科大讯飞基础模型,并针对源自科学文献的多项核心任务进行了训练。作为一款专为学术研究场景打造的大型语言模型,它在论文辅助阅读、学术翻译、英语润色和评论生成等方面均表现出色,旨在为研究人员、教师和学生提供高效、精准的智能辅助。Python00- PpathwayPathway is an open framework for high-throughput and low-latency real-time data processing.Python00