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。
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