Grafbase网关0.38.0版本发布:增强型子图安全与数据派生能力
Grafbase是一个开源的GraphQL网关项目,旨在为开发者提供高性能、可扩展的GraphQL API服务。该项目通过聚合多个数据源(子图)并提供一个统一的GraphQL接口,简化了复杂数据系统的构建过程。最新发布的0.38.0版本带来了多项重要改进,特别是在安全配置和数据派生能力方面的增强。
子图级mTLS配置支持
0.38.0版本引入了针对每个子图的独立mTLS(双向TLS)配置能力,这是企业级安全特性的重要补充。mTLS不仅验证服务器身份,还要求客户端提供证书进行身份验证,为服务间通信提供了更强的安全保障。
开发者现在可以为每个子图配置:
- 根CA证书或证书链(通过
root.certificate指定路径) - 客户端身份文件(包含PEM编码的证书和PKCS#8格式私钥)
- 开发环境专用的
allow_invalid_certs标志
特别值得注意的是,当使用自签名证书时,证书的SAN(Subject Alternative Name)扩展必须包含主机名信息。此外,私钥格式支持RSA、SEC1椭圆曲线和PKCS#8标准,为不同安全需求提供了灵活性。
增强的@derive指令功能
数据派生是GraphQL API设计中的重要模式,0.38.0版本对@derive指令进行了显著增强:
-
列表派生支持:现在可以直接派生关联数据集合,例如
comments: [Comment!]! @derive会自动根据commentIds列表获取所有关联评论。 -
显式映射控制:通过结合
@is指令,可以实现精确的字段映射控制。例如:comments: [Comment!]! @derive @is(field: "commentIds[{ id: . }]")这种语法特别适合处理复合键场景,如多仓库库存管理系统中的关联查询。
-
完整功能支持:派生字段现在全面支持
skip/include指令、授权规则和连接查询,确保了功能完整性。
查询引擎与核心架构改进
底层查询引擎针对派生字段进行了多项优化:
- 改进了查询计划生成逻辑,确保
@is指令定义的派生字段能正确解析 - 增强了序列化/反序列化处理,保证派生字段与原始数据的正确对应
- 完善了
skip/include指令在派生上下文中的处理逻辑
这些改进使得派生字段在查询计划中的行为更加可预测,性能更优。
灵活的CORS配置
跨域资源共享(CORS)配置获得了更强大的模式匹配能力:
- 支持glob模式匹配(如
https://*.example.com) - 保持向后兼容的同时,新增
"*"通配符支持 - 简化了单一起源的配置语法
这使得API网关能够更灵活地适应各种前端部署场景,从开发环境到生产环境都能提供恰当的跨域策略。
多平台Docker支持
构建系统现在生成了包含arm64架构的Docker镜像,这意味着:
- 开发者可以在苹果M系列芯片的Mac上获得更好的本地开发体验
- 服务器部署可以充分利用ARM架构的能效优势
- 统一了不同硬件平台上的部署体验
总结
Grafbase网关0.38.0版本通过引入子图级mTLS配置、增强的派生字段功能以及灵活的CORS策略,显著提升了安全性和开发体验。这些改进特别适合以下场景:
- 需要严格服务间认证的微服务架构
- 复杂数据关系的GraphQL API设计
- 多环境部署的前后端分离应用
对于现有用户,建议特别关注派生字段新语法带来的简化效果,以及mTLS配置对企业安全合规的帮助。新用户可以借此版本体验现代GraphQL网关在API聚合和安全方面的完整能力。
Kimi-K2.5Kimi K2.5 是一款开源的原生多模态智能体模型,它在 Kimi-K2-Base 的基础上,通过对约 15 万亿混合视觉和文本 tokens 进行持续预训练构建而成。该模型将视觉与语言理解、高级智能体能力、即时模式与思考模式,以及对话式与智能体范式无缝融合。Python00
GLM-4.7-FlashGLM-4.7-Flash 是一款 30B-A3B MoE 模型。作为 30B 级别中的佼佼者,GLM-4.7-Flash 为追求性能与效率平衡的轻量化部署提供了全新选择。Jinja00
VLOOKVLOOK™ 是优雅好用的 Typora/Markdown 主题包和增强插件。 VLOOK™ is an elegant and practical THEME PACKAGE × ENHANCEMENT PLUGIN for Typora/Markdown.Less00
PaddleOCR-VL-1.5PaddleOCR-VL-1.5 是 PaddleOCR-VL 的新一代进阶模型,在 OmniDocBench v1.5 上实现了 94.5% 的全新 state-of-the-art 准确率。 为了严格评估模型在真实物理畸变下的鲁棒性——包括扫描伪影、倾斜、扭曲、屏幕拍摄和光照变化——我们提出了 Real5-OmniDocBench 基准测试集。实验结果表明,该增强模型在新构建的基准测试集上达到了 SOTA 性能。此外,我们通过整合印章识别和文本检测识别(text spotting)任务扩展了模型的能力,同时保持 0.9B 的超紧凑 VLM 规模,具备高效率特性。Python00
KuiklyUI基于KMP技术的高性能、全平台开发框架,具备统一代码库、极致易用性和动态灵活性。 Provide a high-performance, full-platform development framework with unified codebase, ultimate ease of use, and dynamic flexibility. 注意:本仓库为Github仓库镜像,PR或Issue请移步至Github发起,感谢支持!Kotlin07
compass-metrics-modelMetrics model project for the OSS CompassPython00