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。
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
HunyuanVideo-1.5暂无简介00
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