Project Graph 1.7.11版本发布:优化布局与跨平台体验
Project Graph是一款专注于思维导图与项目管理的可视化工具,它通过节点和连接线的形式帮助用户清晰地组织和展示复杂信息。最新发布的1.7.11版本带来了一系列优化改进,特别是在布局算法和跨平台兼容性方面有了显著提升。
核心优化:紧密堆积算法改进
1.7.11版本对节点的紧密堆积算法进行了重要调整。在之前的版本中,节点在自动布局时可能会过于紧密地排列在一起,导致视觉上的拥挤感。新版本通过增加节点间的空隙,使得整体布局更加清晰易读。
这一改进特别适合处理包含大量节点的复杂思维导图。当用户使用自动布局功能时,系统现在会智能地在节点之间保持适当的间距,既保证了信息密度,又避免了视觉混乱。这种平衡对于提高思维导图的可读性和美观度至关重要。
窗口状态记忆功能
新版本引入了窗口状态记忆功能,解决了用户长期反馈的一个痛点。现在,当用户关闭并重新打开Project Graph时,应用会自动恢复上次的窗口大小、位置和布局状态。这意味着:
- 用户不再需要每次打开应用时手动调整窗口大小
- 工作区布局得以保留,提高了工作连续性
- 多显示器用户的工作流程更加顺畅
这一功能特别适合需要频繁切换任务的用户,帮助他们保持工作状态,减少重复操作。
跨平台兼容性增强
1.7.11版本针对不同操作系统做了大量优化,特别是改善了macOS平台的使用体验:
macOS专属优化
-
中文输入法兼容性:修复了在中文输入法下输入英文并回车时意外退出编辑状态的问题。现在用户可以在中英文输入间无缝切换,不会中断编辑流程。
-
快捷键支持:解决了macOS下无法在节点编辑状态使用Command+C/V进行复制粘贴的问题。这一改进使得mac用户的编辑效率与Windows平台保持一致。
-
文件下载功能:修复了macOS下无法下载导出的PNG图片的问题。现在所有导出功能都能正常工作,确保用户能够顺利保存和分享他们的思维导图。
多平台支持
Project Graph 1.7.11继续提供全面的跨平台支持,包括:
- Windows 7/10/11(32位和64位)
- macOS(Intel和Apple Silicon)
- Linux(AppImage、DEB和RPM包)
每种平台都经过了专门测试和优化,确保在不同系统上都能提供一致的用户体验。
即将到来的功能预告
开发团队正在积极开发PRG格式导出功能,这将为用户提供另一种灵活的文件交换选项。PRG格式预计将支持更丰富的元数据和自定义属性,方便在不同实例间迁移复杂项目。
技术实现亮点
从技术角度看,1.7.11版本的改进涉及多个层面:
-
布局引擎优化:通过改进力导向算法中的排斥力参数,实现了更合理的节点间距控制。
-
状态持久化:使用本地存储API保存窗口状态,同时确保敏感数据的安全性。
-
输入法兼容层:针对不同平台的输入法框架进行了抽象和适配,解决了跨平台输入体验不一致的问题。
-
文件系统抽象:统一了各平台的文件操作接口,特别是解决了macOS沙箱环境下的文件访问限制。
总结
Project Graph 1.7.11版本通过细致的优化和改进,进一步提升了产品的稳定性和用户体验。无论是核心的布局算法,还是跨平台的兼容性,都体现了开发团队对细节的关注和对用户反馈的重视。对于思维导图爱好者和专业项目管理者来说,这个版本值得升级体验。
随着PRG导出等新功能的开发,Project Graph正在向更专业、更强大的方向演进,未来有望成为可视化思维管理领域的重要工具之一。
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
GLM-4.7-FlashGLM-4.7-Flash 是一款 30B-A3B MoE 模型。作为 30B 级别中的佼佼者,GLM-4.7-Flash 为追求性能与效率平衡的轻量化部署提供了全新选择。Jinja00
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
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
KuiklyUI基于KMP技术的高性能、全平台开发框架,具备统一代码库、极致易用性和动态灵活性。 Provide a high-performance, full-platform development framework with unified codebase, ultimate ease of use, and dynamic flexibility. 注意:本仓库为Github仓库镜像,PR或Issue请移步至Github发起,感谢支持!Kotlin07
compass-metrics-modelMetrics model project for the OSS CompassPython00