LiveBlocks v2.24.0 版本发布:线程订阅功能与通知系统优化
2025-06-14 15:43:08作者:尤峻淳Whitney
项目简介
LiveBlocks 是一个用于构建实时协作应用的开发平台,提供实时数据同步、状态管理和协作功能。其核心优势在于简化了多人协作场景的开发复杂度,让开发者能够快速实现如协同编辑、实时聊天等需要多人即时互动的功能。
版本亮点
本次发布的 v2.24.0 版本主要围绕线程通知系统进行了重要改进,引入了线程订阅功能并对相关概念进行了重新梳理,使通知系统更加灵活和清晰。
1. 线程订阅功能
新版本最显著的改进是引入了线程级别的订阅机制,这为用户提供了更细粒度的通知控制:
- 选择性订阅:用户现在可以订阅感兴趣的线程而不必参与其中
- 精准退订:能够单独退订特定线程的通知,不影响其他线程
- 订阅状态可见:线程及其关联的通知现在都会包含订阅状态信息
这项功能特别适合大型协作场景,比如设计评审或文档讨论,用户可以根据自己的关注点灵活管理通知。
2. 通知系统概念重构
为了提升API的清晰度,开发团队对通知相关的命名进行了调整:
NotificationSettings更名为SubscriptionSettings- 相关的方法名也做了相应变更,如
useRoomNotificationSettings变为useRoomSubscriptionSettings
虽然这些变更不会导致功能中断,但团队提供了详细的升级指南帮助开发者平滑过渡。
3. 新增功能与API
前端相关 (@liveblocks/react)
- 新增
useSubscribeToThread和useUnsubscribeFromThread钩子 - 扩展
useThreadSubscription钩子,增加subscribe和unsubscribe方法 - 支持
textMentions文本提及功能
服务端相关 (@liveblocks/node)
- 新增线程订阅管理方法:
subscribeToThread、unsubscribeFromThread等 - 同样支持
textMentions功能
客户端核心 (@liveblocks/client)
- 增加
Room.subscribeToThread和Room.unsubscribeFromThread方法 - 线程查询结果现在包含订阅状态
4. 开箱即用的UI组件 (@liveblocks/react-ui)
React UI 组件库已内置支持线程订阅功能:
- 在
Thread组件中自动包含"订阅/取消订阅"操作 - 通知收件箱组件也集成了相关功能
技术意义
这次更新从架构层面改进了通知系统的设计:
- 解耦参与与订阅:将"参与线程"和"接收通知"两个概念分离,使系统更符合用户心智模型
- 更精细的控制:线程级别的订阅让用户能精准管理通知流,减少无关干扰
- 一致性提升:统一的命名规范使API更易于理解和使用
升级建议
虽然本次变更主要是非破坏性的,但建议开发者:
- 尽早更新命名规范,使用新的
Subscription系列API - 评估现有应用是否需要集成线程订阅功能
- 考虑如何向终端用户展示新的订阅选项
对于大型项目,可以利用官方提供的codemod工具自动化完成大部分重命名工作。
总结
LiveBlocks v2.24.0 通过引入线程订阅机制,显著提升了协作应用的通知管理能力。这项改进使开发者能够构建更符合用户期望的协作体验,同时通过概念重构使API更加清晰一致。这些变化体现了LiveBlocks团队对开发者体验和终端用户体验的双重关注,是平台成熟度不断提升的标志。
登录后查看全文
热门项目推荐
相关项目推荐
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
unified-cache-managementUnified Cache Manager(推理记忆数据管理器),是一款以KV Cache为中心的推理加速套件,其融合了多类型缓存加速算法工具,分级管理并持久化推理过程中产生的KV Cache记忆数据,扩大推理上下文窗口,以实现高吞吐、低时延的推理体验,降低每Token推理成本。Python03
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
Spark-Prover-X1-7BSpark-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-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
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
项目优选
收起
OpenHarmony documentation | OpenHarmony开发者文档
Dockerfile
311
2.72 K
deepin linux kernel
C
24
7
本项目是CANN提供的数学类基础计算算子库,实现网络在NPU上加速计算。
C++
638
242
仓颉编译器源码及 cjdb 调试工具。
C++
124
851
旨在打造算法先进、性能卓越、高效敏捷、安全可靠的密码套件,通过轻量级、可剪裁的软件技术架构满足各行业不同场景的多样化要求,让密码技术应用更简单,同时探索后量子等先进算法创新实践,构建密码前沿技术底座!
C
1.03 K
469
Ascend Extension for PyTorch
Python
148
175
暂无简介
Dart
604
135
TorchAir 支持用户基于PyTorch框架和torch_npu插件在昇腾NPU上使用图模式进行推理。
Python
226
81
本仓将收集和展示高质量的仓颉示例代码,欢迎大家投稿,让全世界看到您的妙趣设计,也让更多人通过您的编码理解和喜爱仓颉语言。
Cangjie
363
2.99 K
React Native鸿蒙化仓库
JavaScript
236
310