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。
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