Bubble Card项目中的点击行为定制与状态显示问题解析
项目背景
Bubble Card是一个为智能家居系统设计的卡片式界面组件,它允许用户通过简洁美观的泡泡式UI控制和管理各种智能设备。在最新发布的2.0测试版中,开发者对点击行为和状态显示功能进行了重大改进。
点击行为定制问题
在2.0测试版初期版本中,用户报告了一个关于点击行为不一致的问题:当用户设置图标(icon)的点击动作为"按住"(Hold)时,名称(name)区域的点击仍然保持默认的开关(toggle)行为。这种不一致性影响了用户体验和操作逻辑的统一性。
技术实现方案
开发者通过引入更细粒度的点击行为控制机制解决了这个问题。在YAML配置中,现在可以通过button_action节点下的tap_action来统一控制整个按钮区域(包括图标和名称)的点击行为:
button_action:
tap_action:
action: more-info
这种设计允许用户为整个按钮区域定义统一的点击行为,包括:
- 显示更多信息(more-info)
- 调用服务(call-service)
- 切换状态(toggle)
- 无操作(none)
- 自定义动作
状态显示问题
另一个相关问题是关于在标题旁边显示独立传感器状态的功能。在2.0版本中,状态显示机制进行了重构,不再直接支持在标题区域显示传感器状态。
新的状态显示方案
开发者引入了"子按钮"(sub_button)的概念来实现类似功能。用户现在可以创建一个小型的、精简的状态显示区域作为主按钮的附属元素:
sub_button:
- entity: sensor.kitchen_temperature
icon: mdi:thermometer
show_name: false
show_icon: true
show_background: false
show_state: true
tap_action:
action: more-info
这种设计提供了更高的灵活性,允许用户:
- 选择是否显示图标、名称或背景
- 自定义点击行为
- 控制状态和最后更新时间等信息的显示
- 通过多个sub_button显示多个相关状态
最佳实践建议
-
统一行为设计:建议为图标和名称区域设置相同的点击行为,以提供一致的用户体验。
-
状态显示优化:对于需要在主按钮旁显示状态的情况,使用sub_button并适当调整其样式(如隐藏背景)可以实现更整洁的集成效果。
-
渐进式配置:从简单配置开始,逐步添加sub_button等高级功能,确保每个修改都能按预期工作。
-
视觉一致性:当使用sub_button显示状态时,考虑与主按钮的视觉协调性,如使用相似的图标风格和颜色方案。
通过这些改进,Bubble Card提供了更强大且灵活的界面定制能力,同时保持了简洁易用的特点。用户现在可以更精确地控制每个元素的交互行为和显示方式,从而创建出更符合个人需求的智能家居控制界面。
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