JobRunr 7.5.0 版本发布:分布式任务调度新特性解析
项目简介
JobRunr 是一个开源的分布式任务调度和后台处理库,它可以帮助开发者在 Java 应用中轻松实现异步任务处理。JobRunr 提供了简单易用的 API,支持任务调度、后台作业处理、分布式任务执行等功能,同时具备高性能和可靠性。它支持多种存储后端,包括关系型数据库、NoSQL 数据库等,并提供了丰富的监控和管理界面。
版本亮点
JobRunr 7.5.0 版本带来了多项重要更新和改进,其中最值得关注的是对 Quarkus 3.20 (LTS) 和 Micronaut Framework 4.8 的官方支持。这两个框架都是当前 Java 生态系统中非常流行的轻量级微服务框架,此次更新使得在这些框架中使用 JobRunr 更加稳定和便捷。
主要更新内容
1. 内存存储提供程序配置改进
在之前的版本中,如果用户没有明确配置存储提供程序(StorageProvider),JobRunr 会自动回退到 InMemoryStorageProvider。从 7.5.0 版本开始,这种行为被移除了,用户需要显式配置才能使用内存存储。
现在可以通过简单的属性配置来启用内存存储:
jobrunr.database.type=mem
这一变化使得配置更加明确,避免了潜在的生产环境误用风险。内存存储通常只适用于开发和测试环境,生产环境应该使用持久化的存储方案。
2. JobRequest 和 JobRequestHandler 的改进
JobRunr 7.5.0 增强了 JobRequest 和 JobRequestHandler 的错误检测能力。现在当 JobRequest 引用了未知的 JobRequestHandler 时,系统能够更早地发现这种配置错误,而不是等到运行时才抛出异常。
这种改进对于大型项目特别有价值,可以帮助开发者在编译阶段或应用启动时就发现潜在的问题,而不是等到任务实际执行时才暴露出来。
3. 性能优化和错误修复
新版本修复了一个可能导致 IndexOutOfBoundsException 的问题,提高了系统的稳定性。此外,项目团队还对内部架构进行了多项优化,包括:
- 从 Cypress 迁移到 Playwright 进行 UI 端到端测试
- 添加架构测试确保名为 Abstract 的类确实有 abstract 修饰符
- 清理存储提供程序测试中的数据源创建逻辑
- 整体构建系统的改进
这些内部改进虽然对最终用户不可见,但有助于提高项目的整体质量和维护性。
JobRunr Pro 7.5.0 专业版更新
专业版在基础版的基础上增加了对 CockroachDB 的支持,新增了 CockroachStorageProvider。CockroachDB 是一个分布式 SQL 数据库,具有高可用性和强一致性特性,非常适合作为 JobRunr 的存储后端。
此外,专业版还修复了使用 JobBuilder 创建 BatchJob 时的一个问题,使得批量任务创建更加可靠。
升级建议
对于现有用户,升级到 7.5.0 版本需要注意以下几点:
- 如果之前依赖自动回退到内存存储的行为,现在需要显式配置
- 使用 Quarkus 或 Micronaut 的用户可以放心升级到最新框架版本
- 专业版用户可以考虑评估 CockroachDB 作为新的存储选项
总结
JobRunr 7.5.0 版本在框架兼容性、配置明确性和错误检测方面都有显著改进,使得这个优秀的任务调度库更加成熟和可靠。特别是对 Quarkus 和 Micronaut 最新版本的支持,让使用这些框架的团队能够更顺畅地集成 JobRunr。
专业版新增的 CockroachDB 支持也为需要高可用性分布式存储的用户提供了更多选择。无论是基础版还是专业版,7.5.0 版本都值得现有用户升级,也值得新用户考虑采用。
GLM-5智谱 AI 正式发布 GLM-5,旨在应对复杂系统工程和长时域智能体任务。Jinja00
GLM-5-w4a8GLM-5-w4a8基于混合专家架构,专为复杂系统工程与长周期智能体任务设计。支持单/多节点部署,适配Atlas 800T A3,采用w4a8量化技术,结合vLLM推理优化,高效平衡性能与精度,助力智能应用开发Jinja00
请把这个活动推给顶尖程序员😎本次活动专为懂行的顶尖程序员量身打造,聚焦AtomGit首发开源模型的实际应用与深度测评,拒绝大众化浅层体验,邀请具备扎实技术功底、开源经验或模型测评能力的顶尖开发者,深度参与模型体验、性能测评,通过发布技术帖子、提交测评报告、上传实践项目成果等形式,挖掘模型核心价值,共建AtomGit开源模型生态,彰显顶尖程序员的技术洞察力与实践能力。00
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
MiniMax-M2.5MiniMax-M2.5开源模型,经数十万复杂环境强化训练,在代码生成、工具调用、办公自动化等经济价值任务中表现卓越。SWE-Bench Verified得分80.2%,Multi-SWE-Bench达51.3%,BrowseComp获76.3%。推理速度比M2.1快37%,与Claude Opus 4.6相当,每小时仅需0.3-1美元,成本仅为同类模型1/10-1/20,为智能应用开发提供高效经济选择。【此简介由AI生成】Python00
Qwen3.5Qwen3.5 昇腾 vLLM 部署教程。Qwen3.5 是 Qwen 系列最新的旗舰多模态模型,采用 MoE(混合专家)架构,在保持强大模型能力的同时显著降低了推理成本。00- RRing-2.5-1TRing-2.5-1T:全球首个基于混合线性注意力架构的开源万亿参数思考模型。Python00