Windows Terminal新标签页菜单图标自定义功能解析
Windows Terminal作为微软推出的现代化终端工具,其高度可定制性一直深受开发者喜爱。最新开发动态显示,终端团队正在为"新标签页菜单"(newTabMenu)功能增强图标自定义能力,这将为用户界面带来更灵活的视觉控制。
功能背景
Windows Terminal的newTabMenu允许用户快速创建新标签页并执行预设操作。目前,当用户想要为菜单项添加图标时,必须在actions->command层级定义icon属性。这种设计存在一个明显的局限性:一旦为命令设置了图标,该图标不仅会出现在newTabMenu中,还会自动显示在命令面板(command palette)里。
对于追求界面简洁的用户来说,这可能导致命令面板中出现不协调的视觉元素——特别是当只有少数几个命令带有图标,而大多数命令没有图标时,会破坏界面的一致性。
技术实现方案
开发团队提出了三种可能的改进方向:
-
菜单级图标覆盖:允许在newTabMenu的action项中直接定义"icon"属性,这样图标可以仅作用于菜单显示,而不会影响命令面板。
-
图标可见性控制:在actions->command层级新增iconVisibility属性,支持以下值:
- "newtabmenu"(仅新标签页菜单显示)
- "commandpalette"(仅命令面板显示)
- "both"(两者都显示)
- "none"(都不显示)
-
命令面板排除:允许将特定自定义命令完全排除在命令面板之外,从根本上解决图标显示问题。
实现细节
根据开发团队的讨论,第一种方案已经通过PR实现。现在用户可以在newTabMenu配置中这样定义:
{
"type": "action",
"id": "User.scrollToMark.D3F0B923",
"icon": "路径/图标文件.ico"
}
这种实现方式简单直接,不会破坏现有配置的兼容性。开发团队还扩展了这一功能,使其同样适用于配置文件(profile)条目中的图标覆盖。
设计考量
这一改进体现了Windows Terminal团队对用户体验细节的关注:
-
视觉一致性:让用户可以精细控制图标在不同界面元素中的显示,保持界面整洁。
-
配置灵活性:不强制用户在所有场景使用相同图标,可以根据不同使用场景定制视觉效果。
-
向后兼容:新功能不会影响现有配置,确保平稳升级。
使用建议
对于终端高级用户,建议:
-
为常用菜单项添加辨识度高的图标,提升操作效率。
-
保持命令面板的简洁性,避免过多图标干扰。
-
利用这一特性创建视觉分组,例如用不同图标区分开发、运维等不同场景的命令集。
这一功能增强展示了Windows Terminal持续优化用户体验的承诺,通过细小的改进让专业用户的日常工作更加高效愉悦。随着功能的正式发布,终端用户将能够打造更加个性化的工作环境。
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