Spectrum CSS PickerButton组件6.0.0版本发布解析
Spectrum CSS是Adobe开源的一套设计系统CSS实现,它为Web应用提供了一套完整的UI组件库。PickerButton作为其中的选择器按钮组件,在6.0.0版本中进行了重大更新,实现了Spectrum 1(S1)和Spectrum 2(S2)设计之间的桥梁。
核心变更概述
6.0.0版本最大的变化是引入了"Spectrum 2 Foundations"概念,这是一种过渡方案,允许开发者在S1、Express和S2设计之间灵活切换组件外观。这种实现方式通过系统层将组件级令牌(token)重新映射到相应的令牌数据集来实现。
值得注意的是,这个版本并不是完整的S2组件迁移,而是为Spectrum Web Components 1.x版本提供的基础支持。如果需要完整的S2设计实现,开发者应该使用next标签的版本。
设计系统兼容性
这个版本提供了对不同设计系统的兼容支持:
- 要显示S2设计,需要搭配使用v16或更高版本的@spectrum-css/tokens
- 要显示S1或Express设计,需要使用v14.x或v15.x版本的@spectrum-css/tokens
文件使用指南
新版本对CSS文件的使用方式做了优化:
- 如果只需要S2 Foundations样式,可以使用index.css文件,它包含了所有基础样式和S2 Foundations的系统映射
- 如果只需要S1或Express组件样式,可以使用index-base.css加上相应的themes/(spectrum|express).css文件
- 要实现组件在不同上下文(S2 Foundations、S1或Express)之间的切换,可以加载index-base.css和index-theme.css文件,并使用相应的上下文类(.spectrum--legacy对应S1,.spectrum--express对应Express)
废弃内容
6.0.0版本中移除了以下内容:
- 包含mods.md和metadata.json的metadata文件夹,相关信息现在可以在每个组件的dist/metadata.json中找到
- 已废弃的index-vars.css文件,建议使用index.css或index-base.css替代
依赖更新
本次发布同步更新了多个依赖组件:
- @spectrum-css/tokens升级至16.0.0
- @spectrum-css/menu升级至9.0.0
- @spectrum-css/popover升级至8.0.0
- @spectrum-css/icon升级至9.0.0
这些依赖的更新为PickerButton组件提供了更完善的底层支持。
技术实现分析
从技术角度来看,这个版本的PickerButton组件实现了设计系统的平滑过渡机制。通过引入系统层抽象,开发者可以在不修改业务代码的情况下切换不同的设计风格。这种架构设计特别适合需要同时支持多个设计系统的复杂项目。
令牌(token)系统的升级使得样式定制更加灵活,开发者可以通过修改令牌值来快速调整组件的外观,而不需要直接修改CSS规则。这种设计符合现代CSS架构的最佳实践。
升级建议
对于正在使用旧版本的项目,升级到6.0.0版本需要注意以下几点:
- 检查项目中使用的CSS文件引用,确保替换了已废弃的index-vars.css
- 根据项目需求选择合适的令牌版本(v14/v15对应S1/Express,v16对应S2)
- 如果项目需要支持多设计系统切换,需要正确配置上下文类
- 更新相关依赖组件到兼容版本
总的来说,PickerButton 6.0.0版本的发布为Spectrum CSS用户提供了更灵活的设计系统选择,同时也为未来的S2全面迁移奠定了基础。
Kimi-K2.5Kimi K2.5 是一款开源的原生多模态智能体模型,它在 Kimi-K2-Base 的基础上,通过对约 15 万亿混合视觉和文本 tokens 进行持续预训练构建而成。该模型将视觉与语言理解、高级智能体能力、即时模式与思考模式,以及对话式与智能体范式无缝融合。Python00
GLM-4.7-FlashGLM-4.7-Flash 是一款 30B-A3B MoE 模型。作为 30B 级别中的佼佼者,GLM-4.7-Flash 为追求性能与效率平衡的轻量化部署提供了全新选择。Jinja00
VLOOKVLOOK™ 是优雅好用的 Typora/Markdown 主题包和增强插件。 VLOOK™ is an elegant and practical THEME PACKAGE × ENHANCEMENT PLUGIN for Typora/Markdown.Less00
PaddleOCR-VL-1.5PaddleOCR-VL-1.5 是 PaddleOCR-VL 的新一代进阶模型,在 OmniDocBench v1.5 上实现了 94.5% 的全新 state-of-the-art 准确率。 为了严格评估模型在真实物理畸变下的鲁棒性——包括扫描伪影、倾斜、扭曲、屏幕拍摄和光照变化——我们提出了 Real5-OmniDocBench 基准测试集。实验结果表明,该增强模型在新构建的基准测试集上达到了 SOTA 性能。此外,我们通过整合印章识别和文本检测识别(text spotting)任务扩展了模型的能力,同时保持 0.9B 的超紧凑 VLM 规模,具备高效率特性。Python00
KuiklyUI基于KMP技术的高性能、全平台开发框架,具备统一代码库、极致易用性和动态灵活性。 Provide a high-performance, full-platform development framework with unified codebase, ultimate ease of use, and dynamic flexibility. 注意:本仓库为Github仓库镜像,PR或Issue请移步至Github发起,感谢支持!Kotlin07
compass-metrics-modelMetrics model project for the OSS CompassPython00