Electron Forge v7.7.0 发布:全面支持 pnpm 与多项优化
Electron Forge 是一个强大的 Electron 应用程序打包和发布工具链,它简化了 Electron 应用的构建、打包和分发流程。作为 Electron 生态中的核心工具之一,Forge 为开发者提供了开箱即用的项目脚手架、多平台打包支持以及灵活的插件系统。
核心特性:pnpm 包管理器支持
本次 v7.7.0 版本最重要的更新是正式添加了对 pnpm 包管理器的支持。pnpm 作为 npm 和 yarn 之外的另一种选择,以其高效的磁盘空间利用和快速的安装速度著称。现在,Electron Forge 项目可以无缝使用 pnpm 作为其包管理工具,为开发者提供了更多选择。
这项改进意味着:
- 新创建的 Electron Forge 项目可以直接使用 pnpm 进行依赖管理
- 现有项目可以平滑迁移到 pnpm 工作流
- 所有 Forge 命令(如打包、发布等)都能与 pnpm 完美配合
模板系统优化
本次更新对项目模板系统进行了多项改进:
-
Vite 模板优化:修复了 ESM 导入问题,确保 Vite 模板项目能够正确运行。同时解决了
--force标志在 Vite 和 Vite+TypeScript 模板中的工作问题,使开发者能够更灵活地覆盖现有项目文件。 -
基础模板升级:修正了 plugin-fuses 插件的版本安装问题,确保新项目能够使用正确的插件版本。
-
配置灵活性增强:现在
packagerConfig.quiet配置项变得可配置,开发者可以根据需要控制打包过程中的日志输出级别。
跨平台打包修复
针对不同平台的打包工具进行了多项修复:
-
Flatpak 打包器:修复了 ARM64 架构下的 flatpakArch 配置问题,使应用能够正确打包为 Flatpak 格式并在 ARM 设备上运行。
-
系统兼容性检查:改进了系统检查逻辑,现在只在执行实际命令时进行检查,减少了不必要的系统调用,提升了工具链的整体性能。
开发者体验提升
-
命令行界面优化:
- 升级了命令行库从 v4 到 v11,带来了更稳定的 CLI 体验
- 清理了重复的默认信息输出,使控制台输出更加简洁
- 改进了错误处理,当系统检查失败时会明确提示错误
-
性能优化:
- 最小化包管理器解析调用次数
- 只在必要时检查 git 状态(如初始化项目时)
- 减少了不必要的系统检查
-
代码质量改进:
- 移除了未维护的 resolve-package 依赖
- 重新启用了预构建原生模块测试
- 引入了 ESLint 缓存机制加速代码检查
构建系统更新
项目本身的构建系统也进行了多项升级:
- 更新了多个依赖项版本,包括 @octokit/request-error、vitest 等
- 修复了安全审计发现的问题
- 改进了 GitHub Actions 工作流配置
项目维护改进
- 清理了问题模板,使问题报告更加规范
- 添加了自动标记陈旧问题的机制
- 移除了不必要的版本控制文件
Electron Forge v7.7.0 的这些改进使 Electron 应用开发体验更加流畅,特别是对于使用 pnpm 和 Vite 的开发者来说,这个版本带来了显著的体验提升。无论是新项目创建还是现有项目维护,都能从中受益。
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