logseq-smartblocks 的项目扩展与二次开发
1. 项目的基础介绍
logseq-smartblocks 是一个开源项目,旨在为 logseq 提供智能块(Smart Blocks)功能,增强用户在使用 logseq 进行知识管理和笔记时的体验。logseq 是一个基于本地文件的 Knowledge Base 应用,适用于构建个人知识库。
2. 项目的核心功能
该项目的核心功能是增加智能块的支持,允许用户在 logseq 中创建可复用的内容块,这些内容块可以根据用户的需求动态更新。这样的功能大大提高了笔记的灵活性和重用性,使得知识库的管理更加高效。
3. 项目使用了哪些框架或库?
目前该项目主要使用 ClojureScript 进行开发,这是一种运行在浏览器中的 Lisp 方言,它允许开发者以函数式编程的方式构建应用。此外,它可能还使用了一些前端框架和库,例如 React 或 Redux,以及 logseq 本身的框架来进行扩展。
4. 项目的代码目录及介绍
项目的代码目录可能如下所示:
logseq-smartblocks/
├── src/
│ ├── cljs/
│ │ ├── smartblocks/
│ │ │ ├── core.cljs
│ │ │ ├── events.cljs
│ │ │ └── effects.cljs
│ │ └── ...
│ └── ...
├── resources/
│ └── public/
│ └── index.html
├── test/
│ └──cljs/
│ └── smartblocks/
└── ...
在这个目录结构中,src 目录包含了 ClojureScript 源代码,分为 smartblocks 子目录。这个子目录中的文件定义了智能块的核心逻辑、事件处理和副作用管理。resources 目录包含了公共资源,例如网页的入口文件 index.html。test 目录包含了测试代码,确保项目的功能按预期工作。
5. 对项目进行扩展或者二次开发的方向
-
增强智能块的功能:可以通过增加新的功能来扩展智能块,比如支持更多类型的数据嵌入、增加模板功能或者自定义块的行为。
-
用户界面优化:改进用户界面,使得创建和管理智能块更加直观和方便。
-
性能优化:对现有代码进行优化,提高智能块的处理速度和响应时间。
-
跨平台支持:扩展智能块的功能,使其能够在不同的平台和设备上无缝工作。
-
插件系统:开发一个插件系统,允许第三方开发者创建和使用自定义的智能块插件。
通过上述方向的扩展和二次开发,logseq-smartblocks 项目将能够更好地服务于更广泛的用户群体,并提升用户的知识管理体验。
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-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