Scrcpy v4.0 发布:从SDL2迁移到SDL3,新增flex显示布局和相机手电筒功能

开源 Android 屏幕镜像工具 Scrcpy 发布了 v4.0 大版本更新。这是一次底层架构的重大升级,从 SDL2 迁移到 SDL3,同时带来了多项实用新功能,包括 flex 显示布局、相机手电筒控制等。

Scrcpy 是什么

Scrcpy 是一个免费开源的 Android 屏幕镜像和控制工具,可以通过 USB 或无线连接将 Android 手机的画面投射到电脑上,并用鼠标和键盘直接操控手机。它由开发者 Genymobile 维护,在 GitHub 上拥有超过 12 万颗星。

与其他投屏工具相比,Scrcpy 的优势在于:

  • 完全免费开源
  • 延迟极低(通常在 35-70ms)
  • 不需要在手机上安装任何应用
  • 支持有线和无线连接
  • 可以录制屏幕、复制剪贴板、传输文件

v4.0 主要变化

SDL2 → SDL3 迁移

这是 v4.0 最重要的底层变化。SDL(Simple DirectMedia Layer)是 Scrcpy 用于处理窗口、渲染、音频播放和输入的核心库。迁移到 SDL3 带来了更好的跨平台支持和性能改进。

需要注意的是,SDL3 对 Wayland 的支持有变化:SDL3 默认使用 Wayland 后端(SDL2 默认使用 X11)。这在 Linux 上可能会影响一些功能,比如屏幕录制工具可能无法捕获 Scrcpy 窗口。如果你遇到兼容性问题,可以通过环境变量切换回 X11 后端。

Flex 显示布局

新增的 --display-layout=flex 模式允许将多个 Android 设备的屏幕以灵活的方式排列在同一个窗口中,而不是像之前那样固定为行或列布局。这对于同时管理多台设备的开发者来说非常实用。

相机手电筒控制

Scrcpy 现在可以控制 Android 设备的相机手电筒(torch),通过 --v4l2-sink 配合新的控制接口实现。这在开发和调试场景中有一定用途。

其他改进

  • 改进了音频延迟处理
  • 优化了屏幕录制性能
  • 修复了多个平台特定的兼容性问题
  • 更新了文档和构建脚本

安装和使用

安装 Scrcpy 最简单的方式:

# macOS (Homebrew)
brew install scrcpy

# Windows (Scoop)
scoop install scrcpy

# Windows (winget)
winget install Genymobile.scrcpy

# Ubuntu/Debian
sudo apt install scrcpy

# Arch Linux
sudo pacman -S scrcpy

基本使用:

# USB 连接(需要开启 USB 调试)
scrcpy

# 无线连接(先通过 USB 配对一次)
scrcpy --tcpip=192.168.1.100

# 录制屏幕
scrcpy --record=output.mp4

# 指定分辨率(降低延迟)
scrcpy --max-size=1024

适合谁

  • Android 开发者:调试应用时需要投屏
  • 内容创作者:录制手机操作视频
  • 技术支持:远程协助他人操作手机
  • 多设备用户:同时管理多台 Android 设备
  • 普通用户:在大屏幕上操作手机

简评

Scrcpy 一直是 Android 投屏工具中的标杆,v4.0 的底层架构升级为未来的功能扩展打下了基础。虽然 SDL3 迁移可能会带来一些兼容性问题,但总体来说是一次值得升级的更新。如果你经常需要在电脑上操作 Android 手机,Scrcpy 仍然是首选方案。

来源:GitHub – scrcpy v4.0.0 Release Notes | scrcpy 项目主页

© 版权声明
THE END
喜欢就支持一下吧
点赞9 分享
相关推荐
<p>GitHub本周最火的项目之一,TradingAgents在短短时间内获得了超过7万星标,成为多Agent AI应用领域的标杆项目。这个基于大语言模型的多Agent金融交易框架,让”AI炒股”从概念走向了可实验的开源工具。</p>

<h2>项目简介</h2>

<p>TradingAgents是一个开源的多Agent金融交易分析框架,核心思路是让多个AI Agent各司其职,协同完成金融市场的分析和交易决策。项目地址:<a href=GitHub – TauricResearch/TradingAgents

架构设计

TradingAgents的设计借鉴了真实金融交易团队的分工模式,将不同职责分配给不同的Agent:

  • 分析师Agent:负责分析市场数据、财报、新闻等信息,产出分析报告。
  • 研究员Agent:深入研究特定行业或公司,提供基本面分析。
  • 交易员Agent:根据分析结果制定交易策略和执行计划。
  • 风控Agent:评估交易风险,设置止损和仓位控制。
  • 决策Agent:综合各方意见,做出最终交易决策。

这种多Agent协作的模式,模拟了真实对冲基金的决策流程。每个Agent可以使用不同的LLM模型,甚至可以使用同一模型的不同温度参数来产生多样化的观点。

使用场景

学术研究

TradingAgents是研究多Agent系统在金融领域应用的优秀平台。研究人员可以修改Agent的提示词、调整协作机制、测试不同的决策算法。

策略回测

框架支持接入历史市场数据,可以用来回测AI交易策略的表现。这对于量化交易团队评估AI辅助决策的价值很有帮助。

学习和教育

对于想了解AI在金融领域应用的开发者,TradingAgents是一个很好的学习项目。代码结构清晰,文档完善,适合上手研究。

安装和运行

# 克隆项目
git clone https://github.com/TauricResearch/TradingAgents.git
cd TradingAgents

# 安装依赖
pip install -r requirements.txt

# 配置API密钥
cp .env.example .env
# 编辑 .env 文件,填入 OpenAI API key

重要风险提示

⚠️ 以下几点需要特别注意:

  • 不要用真金白银:TradingAgents是一个研究和实验框架,不是成熟的交易系统。绝对不要用它来做实盘交易。
  • AI不是万能的:金融市场受到无数因素影响,AI模型无法预测黑天鹅事件、政策变化、市场情绪等非理性因素。
  • 回测不等于实盘:在历史数据上表现好的策略,在真实交易中可能完全失败(过拟合问题)。
  • 合规风险:在某些司法管辖区,使用AI进行自动化交易可能受到监管限制。

同类项目参考

如果你对AI+金融感兴趣,还可以关注以下项目:

  • FinRL:深度强化学习金融交易框架
  • Qlib:微软开源的量化投资平台
  • GPT-Financial-Analyst:基于GPT的财务分析工具

来源:

-枫选">

GitHub本周最火的项目之一,TradingAgents在短短时间内获得了超过7万星标,成为多Agent AI应用领域的标杆项目。这个基于大语言模型的多Agent金融交易框架,让”AI炒股”从概念走向了可实验的开源工具。

项目简介

TradingAgents是一个开源的多Agent金融交易分析框架,核心思路是让多个AI Agent各司其职,协同完成金融市场的分析和交易决策。项目地址:GitHub – TauricResearch/TradingAgents

架构设计

TradingAgents的设计借鉴了真实金融交易团队的分工模式,将不同职责分配给不同的Agent:

  • 分析师Agent:负责分析市场数据、财报、新闻等信息,产出分析报告。
  • 研究员Agent:深入研究特定行业或公司,提供基本面分析。
  • 交易员Agent:根据分析结果制定交易策略和执行计划。
  • 风控Agent:评估交易风险,设置止损和仓位控制。
  • 决策Agent:综合各方意见,做出最终交易决策。

这种多Agent协作的模式,模拟了真实对冲基金的决策流程。每个Agent可以使用不同的LLM模型,甚至可以使用同一模型的不同温度参数来产生多样化的观点。

使用场景

学术研究

TradingAgents是研究多Agent系统在金融领域应用的优秀平台。研究人员可以修改Agent的提示词、调整协作机制、测试不同的决策算法。

策略回测

框架支持接入历史市场数据,可以用来回测AI交易策略的表现。这对于量化交易团队评估AI辅助决策的价值很有帮助。

学习和教育

对于想了解AI在金融领域应用的开发者,TradingAgents是一个很好的学习项目。代码结构清晰,文档完善,适合上手研究。

安装和运行

# 克隆项目
git clone https://github.com/TauricResearch/TradingAgents.git
cd TradingAgents

# 安装依赖
pip install -r requirements.txt

# 配置API密钥
cp .env.example .env
# 编辑 .env 文件,填入 OpenAI API key

重要风险提示

⚠️ 以下几点需要特别注意:

  • 不要用真金白银:TradingAgents是一个研究和实验框架,不是成熟的交易系统。绝对不要用它来做实盘交易。
  • AI不是万能的:金融市场受到无数因素影响,AI模型无法预测黑天鹅事件、政策变化、市场情绪等非理性因素。
  • 回测不等于实盘:在历史数据上表现好的策略,在真实交易中可能完全失败(过拟合问题)。
  • 合规风险:在某些司法管辖区,使用AI进行自动化交易可能受到监管限制。

同类项目参考

如果你对AI+金融感兴趣,还可以关注以下项目:

  • FinRL:深度强化学习金融交易框架
  • Qlib:微软开源的量化投资平台
  • GPT-Financial-Analyst:基于GPT的财务分析工具

来源:

GitHub本周最火的项目之一,TradingAgents在短短时间内获得了超过7万星标,成为多Agent AI应...

4天前 50
评论 抢沙发

请登录后发表评论

    暂无评论内容