MCP-Go v0.30.0 版本发布:增强流式传输与OAuth支持
MCP-Go是一个基于Go语言实现的微服务通信协议框架,它简化了分布式系统中服务间的通信过程。该项目提供了高效的RPC通信机制,支持多种传输协议,并内置了服务发现、负载均衡等微服务常见功能。
核心功能增强
服务端流式HTTP传输实现
v0.30.0版本中最重要的改进之一是实现了服务端流式HTTP传输功能。这项技术允许服务器在处理请求时逐步发送响应数据,而不需要等待所有数据处理完成后再一次性发送。这种流式传输方式特别适合以下场景:
- 处理大数据集时减少内存占用
- 实现实时数据推送
- 构建长轮询(long-polling)应用
- 支持服务器推送事件(Server-Sent Events)
技术实现上,MCP-Go通过利用HTTP/1.1的分块传输编码(Chunked Transfer Encoding)和HTTP/2的流式特性,为开发者提供了统一的编程接口。开发者只需实现Streamable接口,框架会自动选择最优的传输方式。
OAuth客户端集成
安全性方面,此版本新增了对OAuth协议的支持。OAuth是一种广泛使用的授权框架,它允许第三方应用在不需要获取用户凭证的情况下,代表用户访问特定资源。MCP-Go的OAuth实现包含以下特点:
- 支持OAuth 2.0标准流程
- 内置令牌自动刷新机制
- 提供多种令牌存储策略
- 与现有认证中间件无缝集成
开发者现在可以轻松地为微服务添加安全的第三方认证能力,这对于构建需要与外部服务集成的应用特别有价值。
重要改进与修复
请求头自定义支持
新版本允许开发者在客户端调用时自定义HTTP请求头。这项功能为以下场景提供了便利:
- 传递跟踪ID用于分布式追踪
- 设置自定义认证信息
- 控制缓存行为
- 传递区域/语言偏好
会话管理增强
服务端会话管理得到了改进,现在可以持久化存储客户端信息。这一变化带来了以下好处:
- 更可靠的会话恢复能力
- 减少重复认证开销
- 支持更复杂的会话状态管理
稳定性修复
修复了一个可能导致panic的竞态条件问题,该问题发生在向已关闭通道写入数据时。这种修复提高了框架在高并发场景下的稳定性。
开发者体验提升
文档改进
- 新增了代码生成说明文档,帮助开发者理解如何自定义代码生成过程
- 修正了示例代码中的
GetArguments用法说明 - 增加了辅助函数的使用示例
- 完善了错误处理的最佳实践指南
新API方法
新增了DeletePrompts方法到MCPServer接口,为提示管理提供了完整的CRUD操作支持。
总结
MCP-Go v0.30.0版本通过引入流式传输、OAuth支持等核心功能,显著提升了框架的能力边界。同时,多项稳定性改进和开发者体验优化使得这个版本既适合构建高性能的微服务系统,又能提供良好的开发体验。这些改进使MCP-Go在构建现代云原生应用时更具竞争力。
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