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。
GLM-5.1GLM-5.1是智谱迄今最智能的旗舰模型,也是目前全球最强的开源模型。GLM-5.1大大提高了代码能力,在完成长程任务方面提升尤为显著。和此前分钟级交互的模型不同,它能够在一次任务中独立、持续工作超过8小时,期间自主规划、执行、自我进化,最终交付完整的工程级成果。Jinja00
MiniMax-M2.7MiniMax-M2.7 是我们首个深度参与自身进化过程的模型。M2.7 具备构建复杂智能体应用框架的能力,能够借助智能体团队、复杂技能以及动态工具搜索,完成高度精细的生产力任务。Python00- QQwen3.5-397B-A17BQwen3.5 实现了重大飞跃,整合了多模态学习、架构效率、强化学习规模以及全球可访问性等方面的突破性进展,旨在为开发者和企业赋予前所未有的能力与效率。Jinja00
HY-Embodied-0.5这是一套专为现实世界具身智能打造的基础模型。该系列模型采用创新的混合Transformer(Mixture-of-Transformers, MoT) 架构,通过潜在令牌实现模态特异性计算,显著提升了细粒度感知能力。Jinja00
LongCat-AudioDiT-1BLongCat-AudioDiT 是一款基于扩散模型的文本转语音(TTS)模型,代表了当前该领域的最高水平(SOTA),它直接在波形潜空间中进行操作。00
ERNIE-ImageERNIE-Image 是由百度 ERNIE-Image 团队开发的开源文本到图像生成模型。它基于单流扩散 Transformer(DiT)构建,并配备了轻量级的提示增强器,可将用户的简短输入扩展为更丰富的结构化描述。凭借仅 80 亿的 DiT 参数,它在开源文本到图像模型中达到了最先进的性能。该模型的设计不仅追求强大的视觉质量,还注重实际生成场景中的可控性,在这些场景中,准确的内容呈现与美观同等重要。特别是,ERNIE-Image 在复杂指令遵循、文本渲染和结构化图像生成方面表现出色,使其非常适合商业海报、漫画、多格布局以及其他需要兼具视觉质量和精确控制的内容创作任务。它还支持广泛的视觉风格,包括写实摄影、设计导向图像以及更多风格化的美学输出。Jinja00