Apache Shenyu 2.7.0.1版本发布:网关性能优化与AI插件增强
Apache Shenyu作为一款高性能、可扩展的API网关,在微服务架构中扮演着重要角色。它提供了丰富的功能插件和灵活的扩展机制,能够帮助开发者快速构建和管理API服务。最新发布的2.7.0.1版本带来了一系列重要改进和新特性,特别是在性能优化和AI能力增强方面。
核心性能优化
本次版本对网关的核心性能进行了多方面的优化。首先在日志收集方面,通过优化日志采集性能,显著提升了日志处理效率。特别是在使用Gzip压缩日志时,修复了可能出现的乱码问题,确保了日志数据的完整性。
缓存机制也得到了改进,BodyParamUtils现在采用Caffeine缓存替代原有实现,减少了参数解析的开销。同时修复了MetaDataCache中可能出现的空指针异常,增强了系统的稳定性。
对于规则缓存的管理,修复了在使用Nacos作为同步中心时,shenyu-bootstrap中规则缓存无法删除的问题,确保了缓存一致性。此外,还优化了Elasticsearch索引的生成策略,支持按天生成索引并创建别名,便于日志管理和查询。
插件系统增强
在插件系统方面,2.7.0.1版本带来了多项重要改进。JWT插件现在支持SPI扩展机制,可以自定义JWT负载解析逻辑,确保与各种JWT工具的兼容性。Dubbo插件增加了对protobuf序列化的支持,并修复了方法配置问题,提升了Dubbo服务的集成体验。
新版本还重构了SpringCloud插件,将其功能整合到Discovery插件中,简化了插件架构。同时,Logging插件家族(包括Kafka、RocketMQ等)都得到了优化,修复了配置刷新不及时的问题。
全新AI能力
2.7.0.1版本引入了多项AI相关功能,展现了Apache Shenyu向智能化网关发展的方向。新增的AI Proxy插件提供了AI服务代理能力,可以方便地集成各类AI服务。配套的AI Token限流插件则能够对AI服务的访问进行精细控制。
AI Prompt插件的加入使得开发者可以更方便地管理和使用提示词模板。这些AI相关功能都配备了完善的SQL脚本和管理界面,便于在生产环境中部署和使用。
稳定性与可靠性提升
在系统稳定性方面,本次更新修复了多个关键问题。包括修复了2.6.1版本客户端注册失败的问题,优化了心跳检测逻辑,确保服务发现的可靠性。在管理端,通过添加事务注解确保了数据一致性,修复了可能产生的脏数据问题。
对于命名空间的处理也进行了优化,修复了删除命名空间时的错误,并改进了用户默认命名空间关系的创建逻辑。这些改进都显著提升了系统在复杂场景下的可靠性。
开发者体验改进
为了提升开发者体验,2.7.0.1版本增加了更多测试用例,覆盖了RestTemplate配置、ShenyuController端点等关键组件。代码质量方面,使用Checkstyle规范了代码风格,避免直接使用==进行null检查,提高了代码可读性。
构建系统也进行了升级,将上传/下载工件的版本从v3升级到v4,提升了构建效率。同时为GitPod环境配置了Java支持,便于开发者快速搭建开发环境。
Apache Shenyu 2.7.0.1版本通过上述多项改进,在性能、功能和稳定性方面都有显著提升,特别是AI能力的加入为网关赋予了新的可能性。这些变化使得Shenyu能够更好地满足现代微服务架构的需求,为开发者提供更强大、更可靠的API网关解决方案。
AutoGLM-Phone-9BAutoGLM-Phone-9B是基于AutoGLM构建的移动智能助手框架,依托多模态感知理解手机屏幕并执行自动化操作。Jinja00
Kimi-K2-ThinkingKimi K2 Thinking 是最新、性能最强的开源思维模型。从 Kimi K2 开始,我们将其打造为能够逐步推理并动态调用工具的思维智能体。通过显著提升多步推理深度,并在 200–300 次连续调用中保持稳定的工具使用能力,它在 Humanity's Last Exam (HLE)、BrowseComp 等基准测试中树立了新的技术标杆。同时,K2 Thinking 是原生 INT4 量化模型,具备 256k 上下文窗口,实现了推理延迟和 GPU 内存占用的无损降低。Python00
GLM-4.6V-FP8GLM-4.6V-FP8是GLM-V系列开源模型,支持128K上下文窗口,融合原生多模态函数调用能力,实现从视觉感知到执行的闭环。具备文档理解、图文生成、前端重构等功能,适用于云集群与本地部署,在同类参数规模中视觉理解性能领先。Jinja00
HunyuanOCRHunyuanOCR 是基于混元原生多模态架构打造的领先端到端 OCR 专家级视觉语言模型。它采用仅 10 亿参数的轻量化设计,在业界多项基准测试中取得了当前最佳性能。该模型不仅精通复杂多语言文档解析,还在文本检测与识别、开放域信息抽取、视频字幕提取及图片翻译等实际应用场景中表现卓越。00
GLM-ASR-Nano-2512GLM-ASR-Nano-2512 是一款稳健的开源语音识别模型,参数规模为 15 亿。该模型专为应对真实场景的复杂性而设计,在保持紧凑体量的同时,多项基准测试表现优于 OpenAI Whisper V3。Python00
GLM-TTSGLM-TTS 是一款基于大语言模型的高质量文本转语音(TTS)合成系统,支持零样本语音克隆和流式推理。该系统采用两阶段架构,结合了用于语音 token 生成的大语言模型(LLM)和用于波形合成的流匹配(Flow Matching)模型。 通过引入多奖励强化学习框架,GLM-TTS 显著提升了合成语音的表现力,相比传统 TTS 系统实现了更自然的情感控制。Python00
Spark-Formalizer-X1-7BSpark-Formalizer 是由科大讯飞团队开发的专用大型语言模型,专注于数学自动形式化任务。该模型擅长将自然语言数学问题转化为精确的 Lean4 形式化语句,在形式化语句生成方面达到了业界领先水平。Python00