抛弃 Electron!自研 C# UI 引擎XchyUI,内核仅 200KB,秒杀 Web 套壳!

抛弃 Electron!自研 C# UI 引擎XchyUI,内核仅 200KB,秒杀 Web 套壳!

6 年磨一剑!纯 C# 全自研轻量 UI 引擎|内核 < 200KB + .NET8 AOT 跨平台 + 百万数据 60fps

大家好,这是我利用6 年业余时间,历经无数次推翻重构,全链路自研的纯 C# 用户态跨平台 UI 引擎,今天第一次公开分享。

引擎的演进之路:从 WinForms + GDI 起步 → 多次架构重构 → 最终定型 GLFW + SkiaSharp深度融合业界三大核心思想:

  • Android View 绘制流程
  • Jetpack Compose 函数式组合编程
  • Flutter 渲染优化理念

当前PC客户端开发,大多基于以下技术体系: • .NET 官方框架:WinForms / WPF / WinUI / .NET MAUI • 开源跨平台方案:Avalonia • Web 套壳技术:Electron / Tauri • C++ 原生框架:Qt
绝大多数开发者与企业,都选择在这些成熟框架之上做二次封装、组件扩展,以此快速实现业务需求。
真正愿意从源头开始,全链路自研一整套UI引擎的开发者少之又少

而我的这套引擎,正是从0到1完全自研
渲染管线、视图布局系统、动画调度、虚拟滚动、事件分发、主题体系、状态管理,全部自主实现,形成全链路闭环
可满足 90% 以上的桌面客户端UI需求,复杂绘图可直接对接底层Skia渲染,生成绘制指令并提交GPU执行。

框架设计追求极简与高效:
• 单线程架构 + 对象复用机制,大幅降低GC压力
• 元素结构无冗余设计,内存占用极低
• 函数式组合编程 + 状态驱动界面重组
• 组件树一次声明、多处复用
• 业务逻辑与UI结构高度内聚,不分散
• 思想贴近 React / Flutter / Jetpack Compose,现代前端/移动端开发者可快速上手

与传统XML、重量级框架不同,本引擎坚持 小而精 的设计理念:
只提供最基础的原子组件,所有复杂组件(DataGrid、TreeView、图表、卡片等)均通过基础组件积木式组合实现。
框架不提供冗余、不内置臃肿组件,保持最轻量、最灵活、最可定制的核心优势。

全程无黑盒、无深度封装、无Web套壳、无浏览器内核,回归原生渲染本质。


引擎开发历程(真实走心)

从最初基于 WinForms + GDI 摸索渲染与布局,到中间数次因性能、架构、扩展性不足彻底推翻重构,再到最终选择 GLFW + SkiaSharp 构建跨平台渲染底座,6 年间不断打磨架构、优化渲染、精简内核。

最终沉淀出这套:极轻量、高性能、跨平台、纯 C# 用户态的 UI 引擎。每一行核心代码都经过反复推敲与验证。


引擎核心亮点

  • 纯 C# 用户态实现,Release 核心 DLL < 200KB
  • 函数组合式 API + 状态对象驱动界面重组
  • 自研无 Timer 高性能动画系统
  • 完整 View 布局系统:Row/Column/Flow/ 虚拟滚动容器
  • 百万级数据列表轻松稳定 60fps+
  • 自研渲染管线 + 脏矩形局部刷新
  • 底层对象池复用:SKPaint/SKFont/SKBitmap 全复用
  • 窗口对接 Silk.NET.GLFW,渲染基于 SkiaSharp
  • 支持 .NET8 AOT 原生发布
  • 已验证:Windows / Ubuntu,macOS 理论 100% 支持
  • 插拔式架构,可快速对接其他平台与渲染器

基础组件 & 扩展能力

内置基础组件:Text/Input/Icon/Row/Column/Flow/LazyRow/LazyColumn/LazyGrid/PopupCard

复杂组件如 DataGrid、TreeView、图表等,均可通过基础组件积木式组合实现,无需重写底层。

已实现 Demo

  • 百万数据高性能虚拟滚动列表
  • 仿微信 PC 端主界面
  • 饼图 / 柱状图 / 折线图 / 仪表盘
在这里插入图片描述


在这里插入图片描述


在这里插入图片描述


在这里插入图片描述

极简示例代码

ContentView(() => { // 垂直布局 Column(() => { // 响应式状态 var counterNum = StateValueOf(0); Text() .H3() .Binding(counterNum, (builder, num) => { builder.TextValue($"计数器:{num}"); }, true); // 无Timer循环动画 var visibleState = StateValueOf(true); var animateValue = AnimateFloatOf(visibleState, animate => { animate.Duration = 800; animate.Times = int.MaxValue; animate.Delay = 200; animate.Interpolator = XAnimationInterpolator.Uniform; }); Icon(SvgResources.CircleProgress) .Size(32) .Binding(animateValue, (builder, value) => builder.Rotate(value * 360) ); // 点击交互 Text("点击增加计数") .PrimaryButton() .Click(() => counterNum.Value++); }) .Size(WRAP) .Space(10); }); 
在这里插入图片描述

🚀 Demo 运行包(AOT 原生编译,开箱即用)

  • 提供 AOT 编译原生 exe,解压直接运行
    -[ ](通过网盘分享的文件:numdemo.zip
    链接: https://pan.baidu.com/s/1aEIAR4YdS2Blt9oVgPAjHA 提取码: hg4d)
  • 体积:exe + 非托管库共 24MB引擎自身 <200KB,体积来自 .NET 运行时 + Skia + GLFW
  • 运行系统要求
    • Windows 需 Win10 及以上(因 .NET8 AOT 最低支持 Win10)
    • Ubuntu 20.04 / 22.04 已验证
  • 首次启动稍慢:磁盘缓存 + GL 上下文 + Skia 初始化二次启动秒开,属原生渲染程序正常现象

关于 AI 是否会替代

AI 可以快速生成页面业务代码,但无法自研底层引擎。渲染管线、布局算法、虚拟滚动、脏矩形刷新、动画调度、内存池、深度性能优化……这些底层架构与多年沉淀的核心技术,才是真正壁垒,只会越来越稀缺。


后续计划

本项目为 6 年全自研成果,首次公开分享。如果关注和感兴趣的朋友较多,我会逐步开放:

  • 使用文档 & 开发教程
  • 函数式 UI 编写指南
  • 底层技术原理讲解(布局、渲染、动画、虚拟滚动)
  • 架构设计与性能优化细节
  • 开源 / 社区共建计划

欢迎交流,感谢支持!

Read more

2026 国内 AI 编程套餐(Coding Plan)全量横评:选型指南与避坑手册

2026 国内 AI 编程套餐(Coding Plan)全量横评:选型指南与避坑手册

在 2026 年的开发环境下,当养龙虾成为潮流,AI 编程助手已经从“选配”变成了“标配”。为了让开发者能以更低的门槛在 Cursor、Cline、Claude Code 等工具中使用顶级国产大模型,各大厂商纷纷推出了 Coding Plan(订阅套餐)。 面对琳琅满目的选择,本文将从价格、额度机制、模型生态三个维度进行深度拆解,帮你省下不必要的开销。 一、 核心选型:五大平台一句话总结 如果你想快速决策,请参考下表: 平台入门价格(常规)首月特惠(新客)核心亮点推荐人群智谱 GLM¥49/月无客户端支持最广(20+ 款),自带 MCP 工具链(视觉、联网、代码仓库检索)追求极致工具兼容性的职业开发者火山方舟¥40/月¥8.91

AI股票分析师daily_stock_analysis的Python入门教程

AI股票分析师daily_stock_analysis的Python入门教程 1. 前言:让AI帮你分析股票 你是不是经常盯着股票行情看花了眼?各种技术指标、新闻资讯、市场情绪,想要全面分析一只股票真的不容易。现在有个好消息:用Python和AI工具,你可以轻松搭建自己的智能股票分析系统。 今天我要介绍的daily_stock_analysis就是一个很棒的工具,它能够自动获取股票数据、分析技术指标、解读市场新闻,然后给你一份清晰的决策建议。最重要的是,这个工具完全免费,用Python就能快速上手。 无论你是编程新手还是有一定经验的开发者,跟着这篇教程,你都能在30分钟内搭建起自己的AI股票分析系统。我们会从最基础的环境配置开始,一步步实现完整的分析流程。 2. 环境准备与安装 2.1 系统要求 首先确认你的电脑环境: * Python 3.8 或更高版本 * 至少4GB内存(分析多只股票时建议8GB) * 稳定的网络连接(需要获取实时数据) 2.2 快速安装步骤 打开你的命令行工具(Windows用CMD或PowerShell,Mac/Linux用Ter

多模态 AI 应用:图文音视频一体化开发实战教程

多模态 AI 应用:图文音视频一体化开发实战教程

什么是多模态AI 多模态AI是指能够同时处理文本、图像、音频、视频等多种不同类型数据的人工智能系统,它打破了单模态AI的信息壁垒,能更贴近人类理解世界的方式。比如我们日常使用的AI聊天机器人识图功能、视频自动字幕生成工具,都是多模态AI的典型应用。 开发前的核心准备 模型选型建议 模型类型推荐模型适用场景开源轻量模型Qwen-VL-Chat、MiniGPT-4本地部署、快速验证云端API模型GPT-4V、Gemini Pro生产级应用、复杂任务处理专业领域模型CLIP、Whisper图像检索、音频转写等细分场景 环境依赖安装 我们将基于Python生态实现实战项目,需要安装以下核心库: # 基础依赖 pip install torch torchvision transformers pillow # 音频处理依赖 pip install librosa soundfile # 视频处理依赖 pip install opencv-python moviepy # API调用依赖(可选,用于调用云端多模态模型) pip install openai anthropic

从 ReAct 到 Plan-and-Execute:AI Agent 推理架构的理解与选择

从 ReAct 到 Plan-and-Execute:AI Agent 推理架构的理解与选择

最近在做一个企业办公 Agent 项目,过程中花了不少时间研究 Agent 的推理架构该怎么选。市面上最主流的两种模式——ReAct 和 Plan-and-Execute——看起来都能用,但深入了解后我发现它们的设计哲学完全不同,适用场景也差异很大。 一、先说一个最基本的问题:Agent 为什么需要"推理"? LLM 本身就能回答问题,为什么还要给它加推理框架? 因为 LLM 只会"说",不会"做"。当用户说"帮我创建一个明天截止的任务",LLM 可以生成一段漂亮的文字描述应该怎么做,但它没有手去操作数据库。Tool(或者叫 Skill)就是给 LLM 装上了手脚——它可以调用接口、查询数据、执行操作。 但问题来了: