yabai窗口管理工具新增窗口插入点配置选项
yabai作为macOS平台上一款强大的平铺式窗口管理器,在最新更新中引入了一个实用的新配置选项window_insertion_point。这个选项允许用户自定义新窗口在空间中的插入位置,为窗口布局管理提供了更精细的控制能力。
功能解析
window_insertion_point配置项提供了三种插入位置选择:
- focused(默认值):新窗口将插入到当前获得焦点的窗口位置
- first:新窗口将作为第一个窗口插入到空间的最前面
- last:新窗口将作为最后一个窗口插入到空间的末尾
这个功能特别适合那些希望实现特定窗口布局模式的用户。例如,想要模拟传统"主从式"(master-slave)布局的用户,可以将此选项设置为first,这样新窗口就会始终出现在布局的特定位置。
实际应用场景
结合autobalance x-axis和split_type等配置,window_insertion_point可以实现多种实用的窗口布局:
-
主从式布局模拟:通过设置
window_insertion_point first,新窗口会始终出现在左侧(或上方),配合适当的split_ratio设置,可以创建类似i3wm的主从布局效果。 -
垂直显示器优化:在竖屏显示器上,设置
window_insertion_point last可以让新窗口依次向下排列,形成自然的垂直工作流。 -
专注工作区:将新窗口插入到特定位置可以帮助用户保持工作区的组织性,减少窗口杂乱。
进阶配置示例
要实现一个稳定的主从式布局,可以结合信号处理脚本进行动态调整。以下是一个配置示例:
#!/bin/zsh
currentsp=$(yabai -m query --spaces display --space)
windowcount=$(yabai -m query --windows --space | jq -r '.[]."is-floating"' | grep false | wc -l)
hiddenwindows=$(yabai -m query --windows --space | jq -r '.[]."is-visible"' | grep false | wc -l)
windowcount="$((windowcount - hiddenwindows))"
case $windowcount in
[0-1])
yabai -m config \
split_ratio 0.3 \
split_type auto
;;
2)
yabai -m config \
split_ratio 0.5 \
split_type horizontal
;;
3)
yabai -m config \
split_ratio 0.5 \
split_type horizontal
;;
*)
yabai -m config \
split_ratio 0.5 \
split_type horizontal
;;
esac
然后在.yabairc配置文件中添加相应的信号处理:
yabai -m config \
split_ratio 0.3 \
window_insertion_point first \
split_type horizontal \
auto_balance x-axis
# 添加各种事件信号处理
yabai -m signal --add event=window_created action='yabai-layout'
yabai -m signal --add event=window_destroyed action='yabai-layout'
# 其他事件处理...
技术实现原理
这个功能的实现涉及到yabai的窗口管理核心逻辑。当新窗口创建时,yabai会根据配置决定将其插入到窗口列表的哪个位置。对于first和last选项,实现相对直接,只需修改窗口在列表中的顺序。而focused选项则需要跟踪当前焦点窗口,并在其位置插入新窗口。
总结
window_insertion_point配置项的加入,使yabai的窗口管理能力更加灵活和强大。无论是简单的平铺布局还是复杂的主从式工作流,用户现在都能通过简单的配置实现理想的窗口管理效果。对于追求高效工作环境的macOS用户来说,这个功能无疑是一个值得尝试的改进。
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