Py-Shiny v1.3.0发布:增强聊天组件与UI交互体验
项目简介
Py-Shiny是一个基于Python的Web应用框架,它允许开发者使用纯Python代码构建交互式Web应用,无需掌握前端技术栈。该框架特别适合数据科学家和Python开发者快速创建数据可视化仪表盘和交互式应用。最新发布的v1.3.0版本带来了多项重要更新,特别是在聊天组件和用户交互方面有显著增强。
核心更新内容
1. Markdown流式渲染组件
新引入的ui.MarkdownStream()组件为处理流式Markdown/HTML内容提供了高效解决方案。这一特性特别适合生成式AI应用场景,能够实现文本内容的渐进式渲染,提升用户体验。
技术实现上,该组件采用异步处理机制,可以分块接收和处理文本数据,避免了传统一次性渲染大段文本可能导致的界面卡顿问题。
2. 聊天组件功能增强
ui.Chat()组件在本版本中获得了多项重要改进:
输入建议功能:
- 开发者现在可以通过两种方式为用户提供输入建议:
- 使用
.suggestionCSS类标记建议元素 - 使用
data-suggestion属性指定建议内容
- 使用
- 支持自动提交功能,可通过
.submit类或data-suggestion-submit属性实现 - 提供快捷键支持:Cmd/Ctrl+点击自动提交,Alt/Opt+点击仅填充不提交
其他改进:
- 新增
.on_user_submit()装饰器方法,简化用户输入获取 - 支持自定义助手图标,可通过
ui.chat_ui()全局配置或单个消息单独设置 - 新增
latest_message_stream属性,便于跟踪流式消息状态 .append_message_stream()方法现在返回reactive.extended_task实例.update_user_input()方法新增submit和focus选项
3. 客户端数据访问
新增的session.clientdata接口允许服务器端Python代码访问客户端数据,如URL信息、输出尺寸等。这一特性极大增强了前后端交互能力,例如可以通过session.clientdata.url_search()响应式读取URL搜索参数。
4. 输入控件更新策略
文本类输入控件(ui.input_text()、ui.input_text_area()等)新增update_on选项:
"change"(默认):值变化时立即更新"blur":仅在失去焦点或按Enter时更新
这一改进减少了不必要的服务器通信,特别适合处理敏感或计算密集型的输入场景。
技术细节与最佳实践
聊天组件模板优化
新版本提供了改进的ui.Chat()模板选项,这些模板深度集成了chatlas包,为LLM交互提供了开箱即用的解决方案。开发者可以基于这些模板快速构建AI聊天应用,同时保持高度可定制性。
Sass层文件支持
ui.Theme新增的.add_sass_layer_file()方法支持读取带有层边界注释的Sass文件,这一特性与Quarto的Sass处理方式兼容,使得主题定制更加灵活和模块化。
测试工具增强
shiny.pytest.create_app_fixture()现在支持多应用文件路径参数化测试,简化了多场景测试的编写过程。
向后兼容性说明
- 导航栏相关样式选项已整合到
ui.navbar_options()辅助函数中,旧参数仍可使用但会显示弃用警告 ui.navset_bar()现在默认启用underline=True以保持与页面变体的一致性shiny.ui.Chat()不再包含.ui()方法(Express版本仍保留)
升级建议
对于现有项目,建议重点关注以下升级点:
- 检查并更新导航栏相关代码以使用新的
ui.navbar_options() - 评估聊天组件的新功能是否适用于现有应用
- 考虑在文本输入控件中使用
update_on="blur"优化性能 - 利用
session.clientdata简化客户端数据访问逻辑
v1.3.0版本的这些改进使Py-Shiny在构建现代交互式Web应用,特别是AI聊天类应用方面变得更加强大和易用。
GLM-5智谱 AI 正式发布 GLM-5,旨在应对复杂系统工程和长时域智能体任务。Jinja00
GLM-5-w4a8GLM-5-w4a8基于混合专家架构,专为复杂系统工程与长周期智能体任务设计。支持单/多节点部署,适配Atlas 800T A3,采用w4a8量化技术,结合vLLM推理优化,高效平衡性能与精度,助力智能应用开发Jinja00
请把这个活动推给顶尖程序员😎本次活动专为懂行的顶尖程序员量身打造,聚焦AtomGit首发开源模型的实际应用与深度测评,拒绝大众化浅层体验,邀请具备扎实技术功底、开源经验或模型测评能力的顶尖开发者,深度参与模型体验、性能测评,通过发布技术帖子、提交测评报告、上传实践项目成果等形式,挖掘模型核心价值,共建AtomGit开源模型生态,彰显顶尖程序员的技术洞察力与实践能力。00
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
MiniMax-M2.5MiniMax-M2.5开源模型,经数十万复杂环境强化训练,在代码生成、工具调用、办公自动化等经济价值任务中表现卓越。SWE-Bench Verified得分80.2%,Multi-SWE-Bench达51.3%,BrowseComp获76.3%。推理速度比M2.1快37%,与Claude Opus 4.6相当,每小时仅需0.3-1美元,成本仅为同类模型1/10-1/20,为智能应用开发提供高效经济选择。【此简介由AI生成】Python00
Qwen3.5Qwen3.5 昇腾 vLLM 部署教程。Qwen3.5 是 Qwen 系列最新的旗舰多模态模型,采用 MoE(混合专家)架构,在保持强大模型能力的同时显著降低了推理成本。00- RRing-2.5-1TRing-2.5-1T:全球首个基于混合线性注意力架构的开源万亿参数思考模型。Python00