Vendure电商平台v3.2.0版本发布:全新React仪表盘预览与性能优化
Vendure是一个基于Node.js构建的现代化电商平台框架,采用TypeScript开发,提供了完整的电商功能解决方案。该框架以其模块化架构、GraphQL API和可扩展性著称,特别适合中大型电商项目的开发。
本次发布的v3.2.0版本带来了多项重要更新,其中最引人注目的是全新的React仪表盘预览版。此外还包括了核心依赖升级带来的性能优化、BullMQ任务队列增强、验证令牌策略改进等多项功能增强。
全新React仪表盘预览
Vendure团队在今年2月宣布将基于React重构管理后台,这一决定旨在提升开发体验和界面性能。v3.2.0中首次包含了这个全新仪表盘的alpha预览版本。
开发者可以通过简单的步骤在本地体验这个预览版:
- 安装@vendure/dashboard包
- 创建vite配置文件中指定Vendure配置路径
- 运行开发服务器
虽然目前这个版本只实现了基本的CRUD功能,但已经可以清晰地看到未来方向。团队计划在一个月内发布beta版本,重点完善扩展API、主题定制和国际化支持。
核心依赖全面升级
v3.2.0对项目的主要依赖进行了全面更新:
- NestJS升级至v11版本,带来了更快的应用启动速度
- Express框架升级到v5
- TypeScript更新至v5.8.2,提供更精确的类型检查
- Angular升级到v19,采用esbuild和Vite构建工具
- TypeORM更新到v0.3.21,显著提升了大数据量读取性能
这些升级不仅带来了新特性,更重要的是提升了整体性能。根据Vendure团队的测试,Angular的构建时间减少了约50秒,TypeORM的改进使得数据密集型操作更加高效。
BullMQ任务队列增强
对于高负载场景,BullMQ任务队列插件是推荐选择。新版本允许开发者通过setJobOptions配置函数为单个任务指定自定义选项,例如设置优先级确保关键任务优先处理。
这一改进使得开发者能够充分利用BullMQ提供的全部功能,更好地控制任务执行策略。
验证令牌策略改进
验证令牌用于新用户注册验证、邮箱更新和密码重置等场景。v3.2.0引入了VerificationTokenStrategy,允许开发者自定义令牌的生成和验证逻辑。
这一改进支持多种自定义实现方式,如使用带TTL的Redis缓存、数据库存储或JWT等,为不同安全需求的项目提供了灵活性。
商店API新增查询
Shop API新增了两个查询:
- activePaymentMethods:获取所有可用支付方式
- activeShippingMethods:获取所有可用配送方式
这些查询不需要关联订单即可使用,简化了前端开发流程。
国际化支持增强
Admin UI现在新增了日语支持,进一步扩大了平台的国际化覆盖范围。
升级注意事项
升级到v3.2.0需要注意以下几点:
- 不再支持Node.js v18,建议升级到v22
- 如果使用DefaultCachePlugin,需要生成迁移文件调整expiresAt列的精度
- 自定义Angular组件如果是非独立模式,需要显式设置standalone: false
- Admin UI构建输出路径有所变化
总结
Vendure v3.2.0标志着这个电商平台框架的重要演进。全新的React仪表盘预览展示了未来的发展方向,而核心依赖的升级则为现有项目带来了显著的性能提升。新增的功能和改进进一步增强了平台的灵活性和开发者体验,使其更适合构建复杂的电商解决方案。
对于正在使用Vendure的开发者,建议评估升级计划,特别是关注那些可能影响现有功能的变更点。新项目则可以直接从这一版本开始,享受所有最新特性和性能优化。
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