Hilla 24.7.0.beta1 版本发布:全栈开发框架的重要更新
Hilla 是一个现代化的全栈开发框架,它结合了 Spring Boot 后端和 React 前端,为开发者提供了高效、一致的开发体验。Hilla 通过自动生成 TypeScript 类型定义和客户端 API,简化了前后端交互的复杂性,让开发者能够专注于业务逻辑的实现。
行为变更:Spring 集成优化
本次版本中,Hilla 对浏览器可调用服务(@BrowserCallable 和 @Endpoint)的发现机制进行了重要改进。现在完全依赖 Spring 框架来发现这些服务类,而不是使用独立的类路径扫描机制。
这一变化带来了几个关键影响:
- 只有被 Spring 管理的 Bean 才能作为浏览器可调用服务
- 自定义 Hilla 插件类路径配置的支持已被移除
- 简化了构建配置,消除了重复的类路径规范
对于开发者来说,这意味着如果你的浏览器可调用服务定义在依赖或其他包中,必须确保它们被包含在 Spring 的组件扫描范围内。
新特性亮点
文件上传支持
Hilla 现在原生支持文件上传功能。在后端可以使用 Spring 的 MultipartFile 类型作为参数,前端则对应使用 TypeScript 的 File 类型。这一特性简化了文件上传功能的实现,开发者不再需要手动处理复杂的文件传输逻辑。
空值注解标准化
框架现在全面支持 Spring 和 JSpecify 标准的 @Nullable 和 @NonNull 注解,同时废弃了 Hilla 自有的空值注解。这一变化使得 Hilla 更好地与 Java 生态系统集成,减少了开发者需要学习的新概念。
对于 Kotlin 开发者,Gradle 插件现在会自动添加编译器参数来支持这些空值注解和验证注解,进一步提升了开发体验。
响应式编程增强
Hilla 改进了响应式编程的支持:
- 新增了
mute调用选项,允许绕过内置的进度指示器 - 为
onError响应式订阅回调添加了错误消息参数 - 简化了 JSON 处理,不再要求同时存在
@JsonValue和@JsonCreator注解
全栈信号(实验性功能)
在实验性的全栈信号功能中,现在客户端默认值的提供变为可选。这一变化使得信号的使用更加灵活,适应更多场景需求。
AutoCrud 改进
AutoCrud 组件现在更加智能:
- 网格和 CRUD 服务会尊重 Spring 的最大分页大小限制
- 支持移除新建按钮,满足只读场景的需求
数据绑定增强
数据绑定功能得到了显著提升:
- 新增
useGridDataProvider钩子,简化了 Grid 组件与服务连接的逻辑 - 新增
useComboBoxDataProvider钩子,为 ComboBox 组件提供了类似的支持 - 改进了日期组件的表单验证反馈,对不可解析的输入提供了更好的用户体验
总结
Hilla 24.7.0.beta1 版本带来了多项重要改进和新特性,进一步提升了全栈开发的效率和体验。从文件上传支持到空值注解标准化,从响应式编程增强到数据绑定优化,这些变化都体现了 Hilla 框架对开发者需求的深入理解和持续创新。
对于正在使用或考虑使用 Hilla 的开发者来说,这个预发布版本值得尝试,特别是那些需要文件上传功能或希望简化前后端交互复杂性的项目。
atomcodeClaude Code 的开源替代方案。连接任意大模型,编辑代码,运行命令,自动验证 — 全自动执行。用 Rust 构建,极致性能。 | An open-source alternative to Claude Code. Connect any LLM, edit code, run commands, and verify changes — autonomously. Built in Rust for speed. Get StartedRust0191
cann-learning-hubCANN 学习中心仓,支持在线互动运行、边学边练,提供教程、示例与优化方案,一站式助力昇腾开发者快速上手。Jupyter Notebook0117
Step-3.7-FlashStep-3.7-Flash是一个拥有 1980 亿参数的稀疏混合专家(MoE)视觉语言模型,由 1960 亿参数的语言主干网络和 18 亿参数的视觉编码器组合而成,具备原生图像理解能力。Python00
JoyAI-EchoJoyAI-Echo,这是一个独立的、仅用于推理的版本,旨在实现分钟级多镜头音视频生成。它采用了经过蒸馏的DMD生成器、配对的跨模态记忆以及故事级别的一致性。其性能的核心在于,一个跨模态视听记忆库能够在长达五分钟的视频中保持角色外观和语音音色的一致性。同时,一个训练后处理流程将基于记忆的强化学习与分布匹配蒸馏相结合,实现了7.5倍的速度提升,显著增强了视觉质量和对齐效果。00
fun-rec推荐系统入门教程,在线阅读地址:https://datawhalechina.github.io/fun-rec/Python03
so-large-lm大模型基础: 一文了解大模型基础知识01