Nocobase v1.7.0-beta.34 版本发布:强化数据导入与表单交互能力
Nocobase 是一款开源的、面向开发者的低代码开发平台,它通过提供丰富的组件和功能模块,帮助开发者快速构建企业级应用系统。本次发布的 v1.7.0-beta.34 版本带来了多项功能增强和问题修复,特别是在数据导入、表单交互和邮件管理等方面有显著改进。
核心功能增强
专业级数据导入功能升级
在数据导入方面,新版本引入了多项专业级功能:
-
多字段联合唯一性校验:现在可以配置多个字段组合作为唯一性判断依据,确保数据导入时的准确性。这在处理复杂业务数据时尤为重要,比如当单字段无法唯一标识记录时,可以通过组合字段(如"姓名+工号")来确保数据唯一性。
-
空白单元格处理策略:新增了两种处理空白单元格的选项:
- 覆盖空白:当目标记录已有数据时,可选择是否用空白值覆盖原有数据
- 忽略空白:导入时自动跳过空白单元格,保留原有数据不变
-
嵌套关系导出修复:修复了之前版本中嵌套关系数据导出失败的问题,现在可以完整导出包含关联关系的数据结构。
表单交互体验优化
表单是业务系统的核心交互界面,本次更新对表单功能进行了多项改进:
-
隐藏表单控件的焦点管理:修复了隐藏表单控件仍会捕获Tab键的问题,大幅提升了表单操作效率,特别是在复杂表单中切换字段时体验更流畅。
-
必填字段验证时机优化:在显示确认对话框前会先验证必填字段,避免了用户填写完表单提交时才发现必填项未填的尴尬情况。
-
代码编辑器高度可配置:为代码类型的字段增加了高度设置选项,开发者可以根据实际需要调整代码编辑区域的大小,提升编码体验。
邮件管理系统增强
邮件管理模块获得了多项实用功能:
-
待办标记与备注:现在可以为邮件添加待办标记和备注说明,方便团队协作和邮件跟踪管理。
-
标签系统:新增了邮件标签功能,支持自定义标签分类,结合原有的设置项,提供了更灵活的邮件组织方式。
技术优化与问题修复
前端交互改进
-
区块高度实时响应:修复了区块高度设置不能实时生效的问题,现在调整高度后界面会立即响应变化。
-
日期范围筛选样式优化:改进了日期范围筛选组件的视觉呈现,使其更加清晰易用。
-
联动规则条件修复:解决了嵌套条件变量渲染不正确和noneOf条件检查失败的问题,确保了业务规则的正确执行。
后端稳定性提升
-
UUID生成机制修复:修正了多对多关联关系中UUID或nanoid自动生成失效的问题,确保了关联数据的唯一性标识。
-
工作流审批改进:优化了审批流程中的数据计算和记录ID处理,修复了查看操作时的记录ID错误问题。
-
消息标记隔离:解决了"全部标记为已读"操作可能影响其他用户数据的安全性问题。
开发体验提升
-
Gitpod支持:新增了对Gitpod在线开发环境的支持,开发者现在可以一键启动开发环境,快速开始项目开发工作。
-
Node版本升级:将CI环境中的Node版本升级到20,以适应新版本依赖包的要求,同时也为开发者提供了更现代的JavaScript运行时环境。
总结
Nocobase v1.7.0-beta.34版本在数据管理、表单交互和邮件系统等方面都有显著提升,特别是专业级数据导入功能的加入,使得处理复杂业务数据变得更加高效可靠。同时,众多交互细节的优化和问题修复,进一步提升了系统的稳定性和用户体验。对于开发者而言,新的Gitpod支持和Node版本升级也带来了更便捷的开发体验。这些改进使得Nocobase作为企业级低代码平台的能力更加全面,能够更好地满足复杂业务场景的需求。
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
unified-cache-managementUnified Cache Manager(推理记忆数据管理器),是一款以KV Cache为中心的推理加速套件,其融合了多类型缓存加速算法工具,分级管理并持久化推理过程中产生的KV Cache记忆数据,扩大推理上下文窗口,以实现高吞吐、低时延的推理体验,降低每Token推理成本。Python03
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
Spark-Prover-7BSpark-Prover-7B is a 7B-parameter large language model developed by iFLYTEK for automated theorem proving in Lean4. It generates complete formal proofs for mathematical theorems using a three-stage training framework combining pre-training, supervised fine-tuning, and reinforcement learning. The model achieves strong formal reasoning performance and state-of-the-art results across multiple theorem-proving benchmarksPython00
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-7B is a 7B-parameter large language model by iFLYTEK for mathematical auto-formalization. It translates natural-language math problems into precise Lean4 formal statements, achieving high accuracy and logical consistency. The model is trained with a two-stage strategy combining large-scale pre-training and supervised fine-tuning for robust formal reasoning.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- HHowToCook程序员在家做饭方法指南。Programmer's guide about how to cook at home (Chinese only).Dockerfile015
Spark-Scilit-X1-13B科大讯飞Spark Scilit-X1-13B基于最新一代科大讯飞基础模型,并针对源自科学文献的多项核心任务进行了训练。作为一款专为学术研究场景打造的大型语言模型,它在论文辅助阅读、学术翻译、英语润色和评论生成等方面均表现出色,旨在为研究人员、教师和学生提供高效、精准的智能辅助。Python00- PpathwayPathway is an open framework for high-throughput and low-latency real-time data processing.Python00