Redwood框架0.17.0版本发布:UI开发新特性与优化
Redwood是一个现代化的跨平台UI开发框架,它结合了声明式UI编程的优势与原生平台的高性能特性。该框架由Cash App团队开发维护,旨在为开发者提供高效、灵活且易于维护的UI开发解决方案。最新发布的0.17.0版本带来了一系列重要更新和改进,本文将深入解析这些变化及其对开发者的影响。
兼容性调整与废弃API清理
在0.17.0版本中,Redwood框架进行了两项重要的兼容性调整。首先,框架不再主动支持运行Redwood 0.11.0或更早版本的Treehouse主机。虽然这些旧版本仍能继续工作,但开发者需要注意,它们会出现原生小部件内存泄漏的问题。这种内存泄漏会随着时间的推移不断累积,最终可能影响应用性能。
其次,开发团队移除了ZiplineTreehouseUi.start方法中旧有的、已被弃用的重载形式。这些旧API实际上自Redwood 0.8.0版本(发布于一年多前)就已经被新形式所取代。这种清理工作有助于保持代码库的整洁,减少维护负担,同时也鼓励开发者使用更现代、更高效的API。
安全区域处理与Insets支持
0.17.0版本引入了一个重要的新特性:UIConfiguration.viewInsets。这个属性能够精确追踪特定RedwoodView的安全区域(即不被系统UI元素如状态栏、导航栏等遮挡的区域)。目前,这一功能已在Android视图和iOS的UIView上得到实现。
为了配合这一特性,框架新增了ConsumeInsets {}可组合函数。这个函数专门用于处理安全区域插入(insets),建议开发者在应用的根可组合函数中调用它。这种设计使得开发者能够更方便地处理不同设备的屏幕差异,特别是在有刘海屏、圆角屏或系统导航栏的设备上。
测试功能增强
在测试支持方面,新版本添加了TestRedwoodComposition.setContentAndSnapshot函数。这个函数是setContent和awaitSnapshot的融合版本,但它有一个重要优势:它能确保返回的快照是内容初始组合的结果,而不会包含任何额外发送的帧。这对于UI测试的准确性和可靠性有显著提升,特别是在需要验证UI初始状态的测试场景中。
布局与渲染修复
0.17.0版本修复了多个布局和渲染方面的问题:
-
修正了ComposeUiBox和ViewBox之间边距应用不一致的问题,确保两种实现方式在相同条件下表现一致。
-
为ComposeUiBox添加了对Height和Width修饰符的支持,增强了布局控制的灵活性。
-
修复了DisposableEffect在屏幕解绑时未被调用的问题。之前框架只在效果从组合中移除时才调用这些方法,现在则会在适当的时候正确触发。
-
在Treehouse中支持了movableContentOf功能(以及Redwood协议中的一般支持)。需要注意的是,这一功能要求主机运行0.17.0或更新版本。
-
解决了iOS平台上Column和Row在不是另一个Column或Row的子元素时,其固有尺寸不会更新的问题。这一修复确保了布局系统在各种嵌套情况下的正确行为。
总结
Redwood 0.17.0版本通过引入安全区域处理、增强测试能力以及修复多个布局问题,进一步提升了框架的稳定性和可用性。这些改进使得开发者能够更轻松地构建适应各种设备和屏幕尺寸的UI,同时保证了应用在不同平台间的一致表现。特别是对Insets的支持和布局系统的优化,将显著简化开发者处理复杂UI场景的工作。
GLM-5智谱 AI 正式发布 GLM-5,旨在应对复杂系统工程和长时域智能体任务。Jinja00
GLM-5-w4a8GLM-5-w4a8基于混合专家架构,专为复杂系统工程与长周期智能体任务设计。支持单/多节点部署,适配Atlas 800T A3,采用w4a8量化技术,结合vLLM推理优化,高效平衡性能与精度,助力智能应用开发Jinja00
请把这个活动推给顶尖程序员😎本次活动专为懂行的顶尖程序员量身打造,聚焦AtomGit首发开源模型的实际应用与深度测评,拒绝大众化浅层体验,邀请具备扎实技术功底、开源经验或模型测评能力的顶尖开发者,深度参与模型体验、性能测评,通过发布技术帖子、提交测评报告、上传实践项目成果等形式,挖掘模型核心价值,共建AtomGit开源模型生态,彰显顶尖程序员的技术洞察力与实践能力。00
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
MiniMax-M2.5MiniMax-M2.5开源模型,经数十万复杂环境强化训练,在代码生成、工具调用、办公自动化等经济价值任务中表现卓越。SWE-Bench Verified得分80.2%,Multi-SWE-Bench达51.3%,BrowseComp获76.3%。推理速度比M2.1快37%,与Claude Opus 4.6相当,每小时仅需0.3-1美元,成本仅为同类模型1/10-1/20,为智能应用开发提供高效经济选择。【此简介由AI生成】Python00
Qwen3.5Qwen3.5 昇腾 vLLM 部署教程。Qwen3.5 是 Qwen 系列最新的旗舰多模态模型,采用 MoE(混合专家)架构,在保持强大模型能力的同时显著降低了推理成本。00- RRing-2.5-1TRing-2.5-1T:全球首个基于混合线性注意力架构的开源万亿参数思考模型。Python00