Lowcoder 2.6.4版本发布:性能飞跃与图表增强
项目简介
Lowcoder是一个开源的低代码开发平台,它允许开发者通过可视化界面快速构建应用程序,而无需编写大量代码。该平台特别适合需要快速交付业务应用的团队,提供了丰富的组件库、数据连接能力和自动化工作流功能。
性能优化:3倍渲染速度提升
在2.6.4版本中,Lowcoder团队对应用渲染性能进行了重大改进。通过优化应用打包机制,现在浏览器加载的文件大小被控制在1MB以内,这使得应用启动速度提升了约3倍。这一改进对于构建复杂应用的用户尤为重要,显著减少了用户等待时间。
另一个值得注意的改进是组件在加载过程中的稳定性增强。以往版本中,数据加载时经常会出现UI元素"跳动"的问题,这是由于组件尺寸频繁变化导致的。新版本通过优化渲染机制,确保了组件在加载过程中保持稳定,提供了更加流畅的用户体验。
组件文档全面升级
该版本对组件文档进行了全面扩充和完善,几乎涵盖了Lowcoder平台上的所有组件。每个组件现在都有专门的文档页面,包含详细的使用说明和丰富的示例代码。这一改进极大地降低了新用户的学习曲线,使开发者能够更快地掌握各个组件的特性和用法。
支持订阅服务正式上线
2.6.4版本正式将支持订阅服务集成到了主导航中。用户现在可以直接在Lowcoder平台内提交支持请求,享受基于SLA(服务级别协议)的快速响应支持。这对于企业级用户和需要稳定支持的团队来说是一个重要功能,确保了关键业务应用能够得到及时的技术支持。
图表功能增强
在数据可视化方面,本次更新带来了多项重要改进:
-
新增图表类型:增加了箱线图(Boxplot)、平行坐标图(Parallel)和3D折线图等高级图表类型,丰富了数据展示的选择。
-
现有图表修复:解决了饼图和折线图/柱状图中的一些已知问题,提高了图表的稳定性和准确性。
-
视觉定制增强:几乎所有的图表设置现在都支持更细致的视觉定制,开发者可以更灵活地控制图表的外观和交互行为。
这些改进使得Lowcoder在数据可视化方面的能力达到了新的高度,能够满足更复杂的数据展示需求。
JavaScript API扩展
新版本在JavaScript API方面也有所增强,特别是新增了resetPassword函数的直接访问能力。这一改进使得开发者可以在不显示Lowcoder应用头部的情况下实现密码重置流程,为需要完全自定义品牌的应用提供了更大的灵活性。
其他重要修复与改进
除了上述主要特性外,2.6.4版本还包含了一系列重要的错误修复和功能增强:
- 修复了TextArea组件的尺寸调整问题
- 解决了模态框和抽屉组件中的CSS样式问题
- 处理了查询变量重复冲突的问题
- 改进了表格和图表组件的稳定性
- 修复了SQL查询中orderBy相关的问题
这些修复进一步提升了平台的稳定性和可靠性,确保了开发体验的顺畅。
技术实现亮点
从技术实现角度看,2.6.4版本有几个值得关注的改进:
-
应用打包优化:通过更智能的资源分割和懒加载策略,有效控制了最终打包体积,这是实现3倍性能提升的关键。
-
组件稳定性机制:引入了一套新的组件渲染控制机制,确保在数据加载过程中UI元素保持稳定,避免了视觉上的"跳动"。
-
图表引擎升级:底层图表渲染引擎得到了增强,支持更多高级图表类型,同时保持了良好的性能表现。
总结
Lowcoder 2.6.4版本是一个注重性能提升和功能完善的更新。通过大幅优化渲染性能、扩充组件文档、增强图表能力以及提供更好的支持服务,该版本进一步巩固了Lowcoder作为企业级低代码平台的地位。对于现有用户来说,升级到这个版本将获得更流畅的开发体验和更强大的功能支持;对于新用户而言,完善的文档和稳定的性能也降低了入门门槛。
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- QQwen3-Coder-Next2026年2月4日,正式发布的Qwen3-Coder-Next,一款专为编码智能体和本地开发场景设计的开源语言模型。Python00
xw-cli实现国产算力大模型零门槛部署,一键跑通 Qwen、GLM-4.7、Minimax-2.1、DeepSeek-OCR 等模型Go06
PaddleOCR-VL-1.5PaddleOCR-VL-1.5 是 PaddleOCR-VL 的新一代进阶模型,在 OmniDocBench v1.5 上实现了 94.5% 的全新 state-of-the-art 准确率。 为了严格评估模型在真实物理畸变下的鲁棒性——包括扫描伪影、倾斜、扭曲、屏幕拍摄和光照变化——我们提出了 Real5-OmniDocBench 基准测试集。实验结果表明,该增强模型在新构建的基准测试集上达到了 SOTA 性能。此外,我们通过整合印章识别和文本检测识别(text spotting)任务扩展了模型的能力,同时保持 0.9B 的超紧凑 VLM 规模,具备高效率特性。Python00
Baichuan-M3-235BBaichuan-M3 是百川智能推出的新一代医疗增强型大型语言模型,是继 Baichuan-M2 之后的又一重要里程碑。Python00
VLOOKVLOOK™ 是优雅好用的 Typora/Markdown 主题包和增强插件。 VLOOK™ is an elegant and practical THEME PACKAGE × ENHANCEMENT PLUGIN for Typora/Markdown.Less00