Requestly项目2025年2月更新:API测试工具迎来集合导出与性能优化
Requestly是一款广受开发者喜爱的API测试与调试工具,它提供了强大的功能来帮助开发者高效地测试、调试和优化API接口。通过Requestly,开发者可以轻松创建和管理API请求,设置环境变量,编写测试脚本,并分析响应结果。2025年2月10日,Requestly发布了最新版本更新,带来了一系列实用功能和改进。
核心功能升级:集合导出与本地化管理
本次更新最引人注目的功能是集合(Collection)导出功能的引入。现在开发者可以将精心配置的API请求集合导出为JSON格式文件,这一改进带来了多重优势:
-
团队协作便捷化:导出的JSON文件可以轻松分享给团队成员,确保团队内部使用统一的API测试配置,提高协作效率。
-
版本控制集成:JSON格式的集合文件可以纳入Git等版本控制系统管理,实现API测试配置的版本追踪和历史回溯。
-
备份与迁移:开发者可以定期导出集合作为备份,或在不同的开发环境间迁移配置。
值得注意的是,这一功能是为即将到来的本地集合管理功能做准备,预示着Requestly未来可能会提供更强大的本地化工作流支持。
跨平台扩展更新
Requestly团队同步更新了Edge和Firefox浏览器扩展版本,确保所有平台的用户都能获得一致的功能体验。浏览器扩展的更新意味着:
- 开发者可以在不同浏览器中获得相同的API测试体验
- 跨平台的功能一致性得到保证
- 浏览器特有的兼容性问题得到解决
性能优化实践
在性能方面,本次更新采取了以下优化措施:
-
静态资源优化:将SVG图标资源移至公共文件夹,减少不必要的资源加载和解析时间。
-
代码精简:移除了冗余的代码导入,降低了应用包体积,提升了运行时性能。
这些优化虽然看似微小,但对于频繁使用的开发者工具来说,累积的性能提升能显著改善日常使用体验。
API客户端稳定性增强
针对API客户端模块,开发团队修复了多个影响使用体验的问题:
-
视图切换稳定性:修复了在Raw与JSON视图间切换时全屏模式异常的问题,确保视图切换流畅。
-
变量管理:解决了全局变量意外丢失的问题,保障了测试脚本的可靠性。
-
状态显示:修正了状态文本在脚本中无法正确显示的情况。
-
请求管理:修复了重命名请求时意外产生重复项的问题。
-
环境一致性:优化了环境切换器与环境列表的排序逻辑,确保两者显示顺序一致。
用户体验改进
除了功能性的更新外,本次发布还包含多项用户体验优化:
- 修复了应用内链接失效的问题
- 完善了文档跳转功能
- 解决了多个可能导致应用崩溃的场景
这些改进虽然不引入新功能,但对于提升工具的可靠性和使用流畅度至关重要。
技术前瞻与建议
从本次更新可以看出Requestly的几个发展方向:
-
本地化工作流:集合导出功能的引入预示着未来可能会加强本地开发的支持,开发者可以关注后续的本地集合管理功能。
-
跨平台一致性:同时更新多个浏览器扩展表明团队重视跨平台体验,建议开发者根据自己主要使用的浏览器选择合适的扩展版本。
-
稳定性优先:本次更新中大量的bug修复表明团队正在夯实基础,为后续功能扩展做准备。
对于API测试工作流较为复杂的团队,建议开始尝试使用集合导出功能来标准化团队的API测试配置,为未来可能的团队协作功能做准备。同时,关注性能优化后的使用体验变化,特别是处理大量API请求时的响应速度改善。
Requestly持续迭代更新的态势显示了其作为API测试工具的活力,本次更新既解决了现有痛点,又为未来发展奠定了基础,值得开发者关注和采用。
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