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

机器人重力补偿技术:从理论到实践的MuJoCo实现解析

机器人重力补偿技术:从理论到实践的MuJoCo实现解析 【免费下载链接】mujocoMulti-Joint dynamics with Contact. A general purpose physics simulator. 项目地址: https://gitcode.com/GitHub_Trending/mu/mujoco 技术挑战引入:重力场中的机器人控制困境 在精密制造领域,当六轴机械臂以0.1mm精度装配半导体元件时,未补偿的重力会导致末端执行器产生2.3mm的静态偏移,直接超出工艺允许误差范围。医疗手术机器人在进行脑组织穿刺时,重力引起的臂端下垂可能造成0.5mm的定位误差,这在神经外科手术中可能导致严重后果。这两个典型场景揭示了同一个核心问题:重力作为一种持续存在的外力场,如何精确量化并实时补偿其对机器人系统的影响,是实现高精度控制的关键挑战。 MuJoCo物理引擎通过其独特的动力学计算架构,为解决这一挑战提供了完整的技术方案。在拟人机器人模型中(model/humanoid/humanoid.xml),23个自由度的复杂结构使得重力影响呈现高度非线性特征,髋

FPGA教程系列-Vivado Aurora 8B/10B IP核设置

FPGA教程系列-Vivado Aurora 8B/10B IP核设置

FPGA教程系列-Vivado Aurora 8B/10B IP核设置 Aurora 8B/10B 是 Xilinx 开发的一种轻量级、链路层的高速串行通信协议。它比单纯的 GT(Transceiver)收发器更高级(因为它帮你处理了对齐、绑定、甚至流控),但比以太网或 PCIe 更简单、延迟更低。 手册看的脑袋疼,还是实操一下看看如何使用吧,可能很多部分都是官方写好的,不需要自己去弄,而实际使用可能就是修改一些参数就行了。 1. Physical Layer (物理层设置) 这一部分直接决定了底层的硬件连接和电气特性,必须严格按照板卡设计和对端设备来配置。 Lane Width (Bytes) [通道宽度]: 2 或 4。决定了用户逻辑接口(AXI-Stream)的数据位宽,也直接影响 user_clk 的频率。 * 2 Bytes:

华为人工智能HCIP-AI Solution Architect H13-323题库(26年最新,带解析知识点)

华为人工智能HCIP-AI Solution Architect H13-323题库(26年最新,带解析知识点)

刚考完HCIP-AI Solution Architect H13-323,整理的题库给大家参考学习。完整版题库已经发在题主小程序上了,需要的同学可以去绿泡泡上找“题主”小程序。 以下哪个不是MindSpore核心架构的特点? A、自动微分 B、自动调优 C、自动编码 D、自动并行 答案:C 解析:MindSpore核心架构以自动微分、自动并行和自动调优为主要特点,支持端边云全场景的AI开发。“自动编码”并非其核心架构的特点。 标签:MindSpore,自动微分,自动并行,自动调优 如果你想使用 Hugging Face Transformers 库中的预训练模型进行 DeepSpeed 训练,请对以下步骤进行排序,正确的是哪一项? 步骤: 1. 创建一个TrainingArguments对象,并在其中指定包括DeepSpeed配置在内的训练参数。 2. 创建Trainer对象。 3. 加载预训练模型。 4. 传递模型和训练参数,