TinyEngine v2.2.0发布:全面支持嵌套路由与全新物料协议
TinyEngine是一款面向企业级应用的低代码开发平台,它通过可视化拖拽的方式帮助开发者快速构建Web应用。作为华为云开源的低代码引擎,TinyEngine提供了从设计到部署的全流程支持,特别适合需要快速迭代的业务场景。
嵌套路由:构建复杂应用的新范式
在v2.2.0版本中,TinyEngine引入了嵌套路由这一重要特性,为构建复杂的单页应用(SPA)提供了原生支持。嵌套路由允许开发者在页面中创建多级视图结构,实现更精细的页面组织和导航控制。
核心能力解析
画布渲染器现在能够支持父子多层级页面的嵌套渲染,在切换页面时可以实现局部刷新而非全页面刷新,这显著提升了应用性能。页面管理插件新增了子页面创建功能,开发者可以通过直观的拖拽操作来编排页面层级关系。
新增的RouterLink、RouterView组件以及横向/竖向导航代码片段,让路由配置变得简单高效。属性配置面板中加入了页面选择器,支持快速选择和回填路由配置。预览模块和出码生成都完整支持了多层级路由结构,确保开发与最终效果一致。
开发者体验优化
画布容器新增了路由指示器,直观展示当前路由层级。右键菜单功能增强,特别是为RouterLink组件添加了便捷的跳转操作。非激活页面现在支持悬停交互,工具栏增加了视图切换按钮,开发者可以自由选择查看嵌套视图或单页视图。
物料资产包协议升级
v2.2.0对物料资产包协议进行了重要调整,新增了packages字段。这一改进有效解决了组件npm包字段重复的问题,使得物料管理更加规范化和标准化。新协议为未来的生态扩展奠定了更好的基础。
全面优化的用户体验
本次更新带来了全新的UI设计和交互优化。修复了大量对接Java版本后端时发现的问题,提升了系统的稳定性和兼容性。在细节方面,优化了区块筛选、国际化配置、状态管理等诸多功能的用户体验。
特别值得一提的是,区块管理现在支持全选操作,分类和分组可以自由合并,这些改进都显著提升了开发效率。代码生成方面,现在会自动导入Element样式,减少了开发者的配置工作。
技术实现亮点
在底层架构上,v2.2.0引入了schemaDataAsync和blockCompiler等新机制,优化了数据加载和代码编译流程。状态管理增加了对表达式默认值的支持,提升了灵活性。预览和出码生成环节都加入了更完善的错误处理机制,确保在各种边界条件下都能稳定运行。
总结
TinyEngine v2.2.0通过嵌套路由等重大特性的引入,进一步拓展了低代码开发的能力边界。配合全新的物料协议和全方位的体验优化,这个版本为构建复杂企业级应用提供了更加强大的工具支持。随着Java版本的开源,TinyEngine生态正在快速发展,值得开发者持续关注。
AutoGLM-Phone-9BAutoGLM-Phone-9B是基于AutoGLM构建的移动智能助手框架,依托多模态感知理解手机屏幕并执行自动化操作。Jinja00
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
GLM-4.6V-FP8GLM-4.6V-FP8是GLM-V系列开源模型,支持128K上下文窗口,融合原生多模态函数调用能力,实现从视觉感知到执行的闭环。具备文档理解、图文生成、前端重构等功能,适用于云集群与本地部署,在同类参数规模中视觉理解性能领先。Jinja00
HunyuanOCRHunyuanOCR 是基于混元原生多模态架构打造的领先端到端 OCR 专家级视觉语言模型。它采用仅 10 亿参数的轻量化设计,在业界多项基准测试中取得了当前最佳性能。该模型不仅精通复杂多语言文档解析,还在文本检测与识别、开放域信息抽取、视频字幕提取及图片翻译等实际应用场景中表现卓越。00
GLM-ASR-Nano-2512GLM-ASR-Nano-2512 是一款稳健的开源语音识别模型,参数规模为 15 亿。该模型专为应对真实场景的复杂性而设计,在保持紧凑体量的同时,多项基准测试表现优于 OpenAI Whisper V3。Python00
GLM-TTSGLM-TTS 是一款基于大语言模型的高质量文本转语音(TTS)合成系统,支持零样本语音克隆和流式推理。该系统采用两阶段架构,结合了用于语音 token 生成的大语言模型(LLM)和用于波形合成的流匹配(Flow Matching)模型。 通过引入多奖励强化学习框架,GLM-TTS 显著提升了合成语音的表现力,相比传统 TTS 系统实现了更自然的情感控制。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