AlchemyCMS v7.4.0发布:告别CoffeeScript,拥抱现代前端工具链
AlchemyCMS是一个基于Ruby on Rails开发的内容管理系统,以其强大的内容编辑功能和灵活的架构而闻名。最新发布的v7.4.0版本标志着该项目在前端技术栈上的重大革新,彻底告别了CoffeeScript时代,全面转向现代JavaScript工具链。
前端技术栈全面升级
本次版本最核心的变化是彻底移除了对CoffeeScript的依赖。CoffeeScript作为一种JavaScript的语法糖,曾经在前端开发中流行一时,但随着ES6+标准的普及和现代前端工具链的成熟,它已逐渐退出历史舞台。AlchemyCMS团队果断地完成了这一技术迁移,使得整个项目的JS和CSS构建不再依赖Sprockets(虽然目前仍保留为依赖项,计划在8.0版本中完全移除)。
这一转变带来了多项技术改进:
- 所有JavaScript代码现在都使用ES模块规范编写
- 前端资源构建完全采用现代工具链
- 为未来支持propshaft(Rails 7.1+的资产管道替代方案)铺平了道路
显著功能增强
可调整大小的元素窗口
编辑器界面中的元素窗口现在支持调整大小,这大大改善了内容编辑体验,特别是在处理复杂布局时。
视图组件生成器
新增的ingredient生成器现在能够自动创建视图组件,这符合现代前端开发的最佳实践,使得自定义内容元素的开发更加规范和高效。
图片alt文本编辑优化
图片alt文本表单字段的高度得到了调整,使编辑长描述文本更加方便。
管理员界面样式扩展
现在可以通过配置添加额外的样式表到管理员界面,为项目定制提供了更大的灵活性。
安全性与用户体验改进
外部链接安全增强
所有外部链接现在都自动添加了rel="noopener noreferrer"属性,这是防范tabnabbing攻击的重要安全措施。
图片裁剪工具升级
用cropperjs替代了老旧的Jcrop库,提供了更现代、功能更强大的图片裁剪体验。
SVG图标预加载
SVG图标精灵现在会被预加载,减少了界面渲染时的延迟,提升了用户体验。
技术架构演进
依赖管理现代化
- jQuery和Select2现在通过importmap加载
- Handlebars模板从npm直接引入
- TinyMCE插件被捆绑到主包中
测试环境优化
CI环境从MySQL切换到SQLite,简化了测试配置,同时测试矩阵增加了对Ruby 3.4.1和Rails 8.0的支持。
开发者体验提升
运行时模块控制器验证
模块控制器现在在运行时进行验证,提供了更灵活的扩展机制。
Turbo Streams应用
多个界面交互改用Turbo Streams实现,包括页面配置对话框和元素创建流程,使界面更新更加流畅。
导航辅助方法优化
导航辅助方法改用#send实现,提高了代码的灵活性和可维护性。
向后兼容性考虑
虽然移除了CoffeeScript支持,但团队保持了Sprockets的暂时依赖,确保现有项目能够平稳过渡。这一设计决策体现了对现有用户的尊重和对生态系统稳定性的重视。
总结
AlchemyCMS v7.4.0是一次重要的技术升级,它不仅跟上了现代Web开发的步伐,还为未来的发展奠定了更坚实的基础。通过拥抱ES模块、现代化前端工具链和最新Rails特性,这个版本在保持强大内容管理功能的同时,显著提升了开发体验和系统性能。对于现有用户来说,升级到这个版本将获得更流畅的管理界面和更现代的代码库;对于新用户而言,这降低了入门门槛,使AlchemyCMS成为一个更具吸引力的内容管理解决方案。
atomcodeClaude Code 的开源替代方案。连接任意大模型,编辑代码,运行命令,自动验证 — 全自动执行。用 Rust 构建,极致性能。 | An open-source alternative to Claude Code. Connect any LLM, edit code, run commands, and verify changes — autonomously. Built in Rust for speed. Get StartedRust0194
cann-learning-hubCANN 学习中心仓,支持在线互动运行、边学边练,提供教程、示例与优化方案,一站式助力昇腾开发者快速上手。Jupyter Notebook0121
MiMo-V2.5-Pro-FP4-DFlashMiMo-V2.5-Pro-FP4-DFlash 是驱动 MiMo-V2.5-Pro-UltraSpeed 的底层模型: FP4 量化骨干网络:对 MoE 专家采用 MXFP4 量化,同时保持模型其他部分的更高精度,在几乎无损质量的前提下,显著减小模型体积并降低内存带宽压力。 BF16 DFlash 草稿生成器:用于块扩散推测解码,每次前向传播可生成一整个块的 tokens,并让骨干网络一步完成验证。 两者协同作用,既降低了每参数的位宽,又减少了骨干网络前向传播的次数,而这两者正是万亿参数模型解码过程中的两大主要成本来源。Python00
JoyAI-EchoJoyAI-Echo,这是一个独立的、仅用于推理的版本,旨在实现分钟级多镜头音视频生成。它采用了经过蒸馏的DMD生成器、配对的跨模态记忆以及故事级别的一致性。其性能的核心在于,一个跨模态视听记忆库能够在长达五分钟的视频中保持角色外观和语音音色的一致性。同时,一个训练后处理流程将基于记忆的强化学习与分布匹配蒸馏相结合,实现了7.5倍的速度提升,显著增强了视觉质量和对齐效果。00
AstrBot✨ 易上手的多平台 LLM 聊天机器人及开发框架 ✨ 平台支持 QQ、QQ频道、Telegram、微信、企微、飞书 | OpenAI、DeepSeek、Gemini、硅基流动、月之暗面、Ollama、OneAPI、Dify 等。附带 WebUI。Python05
handy-ollama动手学Ollama,CPU玩转大模型部署,在线阅读地址:https://datawhalechina.github.io/handy-ollama/Jupyter Notebook06