Soybean Admin 路由配置:如何自定义内置路由的布局组件
在 Soybean Admin 项目中,使用 elegant-router 插件时,开发者可能会遇到需要自定义内置路由布局组件的情况。本文将详细介绍如何配置路由使其使用不同的布局组件,以及相关的技术实现原理。
内置路由的默认行为
Soybean Admin 项目中,以 _ 开头的文件夹(如 _builtin)中的路由默认会被归类为内置路由。这些路由默认会使用 layout.base 作为布局组件,这是框架的预设行为。
例如,登录页面(login)通常位于 _builtin 文件夹下,默认会继承 layout.base 布局。但在实际项目中,登录页面往往需要采用全屏布局(如 layout.blank),这就需要进行自定义配置。
自定义布局组件的方法
要修改内置路由的布局组件,可以通过以下两种方式实现:
-
直接修改组件配置: 在路由元数据中,找到对应的路由配置,将
component属性从'base'改为'blank'。这种方式简单直接,适用于已经生成的路由配置。 -
使用路由插件的配置选项: 在
elegant-router插件的配置中,可以通过onRouteMetaGen钩子函数来自定义路由元数据的生成逻辑。虽然当前版本(0.3.8)无法直接判断路由来源文件夹,但可以通过路由路径等特征进行条件判断。
技术实现原理
Soybean Admin 的路由系统基于 Vue Router 和 elegant-router 插件构建。路由的生成过程大致如下:
- 扫描
views目录下的文件结构 - 根据文件路径生成路由路径
- 为每个路由生成元数据(meta)
- 根据元数据中的布局配置决定使用哪个布局组件
内置路由(_ 前缀文件夹)的特殊处理是通过插件内部的逻辑实现的。虽然当前版本无法在元数据生成时获取来源文件夹信息,但可以通过其他特征(如路由路径)来识别特定路由。
最佳实践建议
- 保持一致性:同一功能模块的路由应使用相同的布局组件,以保持用户体验一致
- 合理规划文件夹结构:将需要相同布局的页面组织在同一文件夹下
- 适度自定义:仅在必要时覆盖默认布局配置,避免过度定制导致维护困难
未来改进方向
根据项目维护者的反馈,未来版本可能会在 onRouteMetaGen 钩子中增加来源文件夹参数,这将使路由配置更加灵活和直观。开发者可以期待这一改进带来的更强大的路由定制能力。
通过理解这些配置方法和原理,开发者可以更灵活地控制 Soybean Admin 项目中的路由布局,打造更符合项目需求的界面结构。
ERNIE-4.5-VL-28B-A3B-ThinkingERNIE-4.5-VL-28B-A3B-Thinking 是 ERNIE-4.5-VL-28B-A3B 架构的重大升级,通过中期大规模视觉-语言推理数据训练,显著提升了模型的表征能力和模态对齐,实现了多模态推理能力的突破性飞跃Python00
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
MiniMax-M2MiniMax-M2是MiniMaxAI开源的高效MoE模型,2300亿总参数中仅激活100亿,却在编码和智能体任务上表现卓越。它支持多文件编辑、终端操作和复杂工具链调用Python00
Spark-Prover-7BSpark-Prover 是由科大讯飞团队开发的专用大型语言模型,专为 Lean4 中的自动定理证明而设计。该模型采用创新的三阶段训练策略,显著增强了形式化推理能力,在同等规模的开源模型中实现了最先进的性能。Python00
MiniCPM-V-4_5MiniCPM-V 4.5 是 MiniCPM-V 系列中最新且功能最强的模型。该模型基于 Qwen3-8B 和 SigLIP2-400M 构建,总参数量为 80 亿。与之前的 MiniCPM-V 和 MiniCPM-o 模型相比,它在性能上有显著提升,并引入了新的实用功能Python00
Spark-Formalizer-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
GOT-OCR-2.0-hf阶跃星辰StepFun推出的GOT-OCR-2.0-hf是一款强大的多语言OCR开源模型,支持从普通文档到复杂场景的文字识别。它能精准处理表格、图表、数学公式、几何图形甚至乐谱等特殊内容,输出结果可通过第三方工具渲染成多种格式。模型支持1024×1024高分辨率输入,具备多页批量处理、动态分块识别和交互式区域选择等创新功能,用户可通过坐标或颜色指定识别区域。基于Apache 2.0协议开源,提供Hugging Face演示和完整代码,适用于学术研究到工业应用的广泛场景,为OCR领域带来突破性解决方案。00