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-5.1GLM-5.1是智谱迄今最智能的旗舰模型,也是目前全球最强的开源模型。GLM-5.1大大提高了代码能力,在完成长程任务方面提升尤为显著。和此前分钟级交互的模型不同,它能够在一次任务中独立、持续工作超过8小时,期间自主规划、执行、自我进化,最终交付完整的工程级成果。Jinja00
MiniMax-M2.7MiniMax-M2.7 是我们首个深度参与自身进化过程的模型。M2.7 具备构建复杂智能体应用框架的能力,能够借助智能体团队、复杂技能以及动态工具搜索,完成高度精细的生产力任务。Python00- QQwen3.5-397B-A17BQwen3.5 实现了重大飞跃,整合了多模态学习、架构效率、强化学习规模以及全球可访问性等方面的突破性进展,旨在为开发者和企业赋予前所未有的能力与效率。Jinja00
HY-Embodied-0.5这是一套专为现实世界具身智能打造的基础模型。该系列模型采用创新的混合Transformer(Mixture-of-Transformers, MoT) 架构,通过潜在令牌实现模态特异性计算,显著提升了细粒度感知能力。Jinja00
LongCat-AudioDiT-1BLongCat-AudioDiT 是一款基于扩散模型的文本转语音(TTS)模型,代表了当前该领域的最高水平(SOTA),它直接在波形潜空间中进行操作。00