Electron React TypeScript 起步指南
1. 项目介绍
Electron React TypeScript 起步项目是一个用于快速启动基于 Electron、React 和 TypeScript 的桌面应用程序的开发框架。本项目旨在提供一个稳固的起点,帮助开发者避免在整合这些技术时遇到的一些常见问题。它包含了一些基本的修复和优化,使得在使用 React 和 TypeScript 开发 Electron 应用时更为顺畅。项目支持在代码变更时自动重新加载 Electron 应用,从而加速开发流程。
2. 项目快速启动
安装依赖
首先,确保您的系统中已安装了 Node.js 和 npm。
克隆项目到本地:
git clone https://github.com/nateshmbhat/electron-react-ts-starter.git
cd electron-react-ts-starter
分别安装渲染进程和主进程的依赖:
cd renderer
npm install
cd ../main
npm install
运行项目
启动渲染进程(React 应用):
cd renderer
npm run start
启动主进程(Electron 应用):
cd main
npm run start
构建项目
确保在 main/package.json 中的所有依赖项都已添加到 renderer/package.json。然后从渲染进程目录构建项目:
cd renderer
npm run release
# 或者使用 npm run build
构建完成后,您的应用程序将位于 dist 文件夹中。
3. 应用案例和最佳实践
使用 React Router
如果您的应用使用 React Router,建议使用 HashRouter 而不是 BrowserRouter。
修改构建设置
在 renderer/package.json 中,可以使用 build 属性来定制 electron-builder 的设置。所有静态资产和文件应放置在 assets 文件夹中。
生成不同类型的安装程序
要生成如 'msi'、'appx'、'7z'、'zip' 等不同类型的安装程序,您可以在 renderer/package.json 的 build 属性中更改 target。
处理嵌套的 TypeScript 文件结构
如果 main 文件夹中存在嵌套的 TypeScript 文件结构,请在构建 React 应用之前,将所有生成的 .js 文件复制到 renderer/public/ 文件夹中。
4. 典型生态项目
本项目的典型生态项目包括 Windows Terminal Tweaker,它使用这个起步项目作为基础来开发一个定制化的 Windows 终端配置工具。
以上就是使用 Electron React TypeScript 起步项目的简要指南。希望这对您的开发工作有所帮助。
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