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。
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