Soybean Admin项目中实现多菜单共享路由的多Tab页方案
背景与需求分析
在现代后台管理系统开发中,经常会遇到多个菜单项需要共用同一个基础组件页面的场景。例如,一个通用的CRUD页面可能被多个业务模块复用,只是根据不同的参数加载不同的数据。在Soybean Admin这类基于Vue的后台框架中,默认情况下,当多个菜单指向同一个路由时,点击不同菜单只会激活同一个Tab页,而不会创建新的Tab页。
核心实现原理
Soybean Admin框架的Tab页管理机制是基于路由的fullPath进行识别的。系统通过watch监听route.fullPath的变化来判断是否需要创建新的Tab页。这意味着只要保证不同菜单项对应的路由具有不同的fullPath值,系统就会自动为它们创建独立的Tab页。
具体实现方案
要实现多菜单共享路由时打开多个Tab页的功能,需要以下两个关键配置:
-
设置multiTab属性:在菜单的meta配置中,将multiTab属性设置为true。这个标记告诉系统该路由支持多Tab模式。
-
确保query参数不同:为每个菜单项配置不同的query参数。当multiTab为true时,系统会根据不同的query参数自动创建多个Tab页。
实现示例
假设我们有一个通用的CRUD页面,路径为/curd/list。我们需要为不同业务模块创建不同的菜单项,但都指向这个路由:
// 菜单配置示例
{
path: '/curd/list',
name: 'ModuleA',
component: 'CurdList',
meta: {
title: '模块A',
multiTab: true,
query: { pid: 'module_a_id' }
}
},
{
path: '/curd/list',
name: 'ModuleB',
component: 'CurdList',
meta: {
title: '模块B',
multiTab: true,
query: { pid: 'module_b_id' }
}
}
注意事项
-
参数传递方式:确保参数是通过query传递,而不是直接拼接在path中。系统识别的是完整的路由对象,包括path和query。
-
组件复用:在共享组件内部,需要根据route.query中的参数来加载不同的数据。
-
性能考虑:虽然这种方案可以实现需求,但如果有大量菜单共享同一个组件,可能会创建大量Tab页,需要注意内存管理。
最佳实践建议
-
对于高度相似的业务场景,确实可以考虑使用这种共享组件+多Tab的方案,减少代码重复。
-
如果业务差异较大,建议还是拆分为独立组件,避免单个组件承担过多职责。
-
可以在共享组件中添加参数校验,确保必需的query参数都存在且有效。
通过以上配置,Soybean Admin项目就能完美实现多菜单共享路由时的多Tab页功能,既保持了代码的简洁性,又提供了良好的用户体验。
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