TinyEngine 2.4.0版本发布:低代码开发平台的全新升级
TinyEngine是OpenTiny团队推出的一款企业级低代码开发平台,它通过可视化拖拽的方式帮助开发者快速构建Web应用。作为一款现代化的开发工具,TinyEngine提供了丰富的组件库、强大的数据绑定能力和灵活的布局系统,大大提升了前端开发的效率。
核心功能增强
API Token管理功能
2.4.0版本新增了API Token管理功能,为开发者提供了更安全的接口调用方式。这一特性使得开发者可以生成专属的访问令牌,用于程序化地访问TinyEngine的各项服务。在实际应用中,API Token可以用于自动化部署、CI/CD集成等场景,为DevOps流程提供了更好的支持。
主题系统升级
本次更新对主题系统进行了重要改进,包括:
- 优化了主题切换逻辑,使主题变更更加流畅
- CLI工具新增了主题模板支持,开发者可以通过命令行快速创建自定义主题
- 改进了模块外部类名的管理方式,使主题定制更加灵活
这些改进使得企业可以更容易地实现品牌定制化需求,满足不同项目的UI规范要求。
大纲树功能增强
2.4.0版本为大纲树添加了多项实用功能:
- 新增节点删除功能,完善了组件管理能力
- 支持快捷键操作,提升了开发效率
- 实现了与画布操作的联动,使组件管理更加直观
这些改进使得复杂页面的组件管理变得更加高效,特别是对于包含大量嵌套组件的场景。
开发者体验优化
代码质量提升
团队在本次版本中全面引入了ESLint TypeScript规则,并修复了所有ESLint错误。这一改进显著提升了代码质量,为开发者提供了更规范的代码基础。同时,这也意味着开发者在使用TinyEngine进行二次开发时,能够获得更好的类型提示和代码检查支持。
构建与部署改进
2.4.0版本增加了对npmmirror CDN的支持,这一特性对于国内开发者尤为重要。它能够:
- 显著提升依赖包的下载速度
- 减少因网络问题导致的构建失败
- 提高开发环境的稳定性
插件系统增强
本次更新引入了灵活的布局插件系统,为开发者提供了更强大的页面布局能力。这一特性使得开发者可以:
- 创建自定义的布局方案
- 实现复杂的响应式布局
- 轻松管理不同设备下的布局适配
问题修复与稳定性提升
2.4.0版本修复了大量已知问题,包括但不限于:
- 修复了添加插槽失败的问题
- 改进了网格列数据处理逻辑,增强了健壮性
- 修复了边距支持负数配置的问题
- 解决了数据源映射为空时的初始化问题
- 优化了画布操作栏的子元素移动功能
- 修复了紧凑模式下schema缺少css字段的问题
这些修复显著提升了平台的稳定性和用户体验,使开发过程更加顺畅。
国际化与本地化改进
团队修复了i18n国际化相关的问题,包括:
- 修复了文案为空时导致的出码异常
- 优化了空条目创建时的错误处理
- 改进了多语言支持的整体稳定性
这些改进使得TinyEngine在国际化项目中的应用更加可靠。
总结
TinyEngine 2.4.0版本在功能、性能和稳定性方面都取得了显著进步。从API Token管理到主题系统升级,从大纲树功能增强到代码质量提升,每一个改进都体现了团队对开发者体验的关注。特别是对国内开发者友好的npmmirror CDN支持,以及强大的新布局插件系统,都使得TinyEngine在企业级应用开发中的价值更加突出。
对于正在寻找高效低代码解决方案的团队来说,TinyEngine 2.4.0无疑是一个值得考虑的选择。它不仅提供了丰富的开箱即用功能,还通过灵活的扩展机制满足了各种定制化需求,是企业数字化转型过程中的有力工具。
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