Lichess移动端棋盘坐标训练器的触摸事件处理优化
在Lichess移动端应用(lichess-org/mobile)的坐标训练功能中,开发者发现了一个关于触摸事件处理的交互问题。这个问题涉及到用户在棋盘上滑动手指时,系统会持续触发坐标选择事件,而实际上应该只在单次点击时响应。
问题背景
坐标训练是国际象棋学习中的一个重要功能,它帮助棋手快速识别棋盘上的坐标位置。在移动设备上,这个功能通常通过触摸屏幕上的棋盘格子来实现。然而,当前实现中存在一个不太符合用户预期的行为:当用户在棋盘上滑动手指时,系统会持续触发坐标选择事件,而不是只在初始点击时响应一次。
技术分析
这个问题源于底层棋盘编辑器组件(chessground)的事件处理机制。在当前的实现中:
- 坐标训练屏幕(CoordinateTrainingScreen)通过onGuess方法处理用户的选择
- 这个方法被传递给棋盘编辑器(BoardEditor)的onEditedSquare回调
- 棋盘编辑器组件在_ontouchedEvent处理中,对触摸和拖动事件都调用了相同的回调
这种设计原本是为了支持棋盘编辑功能——比如当用户需要快速删除多个棋子时,滑动手指可以连续触发删除操作。然而,这种机制并不适合坐标训练场景。
解决方案探讨
开发团队提出了两种可能的解决方案:
-
扩展编辑器指针模式:在EditorPointerMode枚举中添加新的模式,专门用于坐标训练场景。这种方案保持了组件的灵活性,同时为不同使用场景提供专门的行为。
-
使用专门的点击回调:为Chessboard组件添加onTappedSquare回调,完全绕过BoardEditor组件的事件处理机制。这种方法更直接,但可能意味着需要重构部分代码结构。
实现考量
在决定最终解决方案时,需要考虑以下因素:
- 组件复用性:保持棋盘组件在不同场景下的通用性
- 用户体验一致性:确保交互行为符合用户预期
- 代码维护性:选择易于理解和维护的实现方式
经过讨论,团队倾向于第一种方案,因为它既解决了当前问题,又保持了组件的灵活性,为未来可能的其他交互模式预留了扩展空间。
总结
这个案例展示了在移动应用开发中,通用组件设计与特定场景需求之间的平衡艺术。通过分析用户交互的预期行为,并灵活调整底层实现,开发团队能够提供更加符合直觉的用户体验。这也提醒我们,在组件设计时考虑不同使用场景的重要性,以及如何通过合理的架构设计来支持这种灵活性。
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
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
MiniMax-M2MiniMax-M2是MiniMaxAI开源的高效MoE模型,2300亿总参数中仅激活100亿,却在编码和智能体任务上表现卓越。它支持多文件编辑、终端操作和复杂工具链调用Python00
HunyuanVideo-1.5暂无简介00
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-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
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