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。
atomcodeClaude Code 的开源替代方案。连接任意大模型,编辑代码,运行命令,自动验证 — 全自动执行。用 Rust 构建,极致性能。 | An open-source alternative to Claude Code. Connect any LLM, edit code, run commands, and verify changes — autonomously. Built in Rust for speed. Get StartedRust0198
cann-learning-hubCANN 学习中心仓,支持在线互动运行、边学边练,提供教程、示例与优化方案,一站式助力昇腾开发者快速上手。Jupyter Notebook0129
MiMo-V2.5-Pro-FP4-DFlashMiMo-V2.5-Pro-FP4-DFlash 是驱动 MiMo-V2.5-Pro-UltraSpeed 的底层模型: FP4 量化骨干网络:对 MoE 专家采用 MXFP4 量化,同时保持模型其他部分的更高精度,在几乎无损质量的前提下,显著减小模型体积并降低内存带宽压力。 BF16 DFlash 草稿生成器:用于块扩散推测解码,每次前向传播可生成一整个块的 tokens,并让骨干网络一步完成验证。 两者协同作用,既降低了每参数的位宽,又减少了骨干网络前向传播的次数,而这两者正是万亿参数模型解码过程中的两大主要成本来源。Python00
JoyAI-EchoJoyAI-Echo,这是一个独立的、仅用于推理的版本,旨在实现分钟级多镜头音视频生成。它采用了经过蒸馏的DMD生成器、配对的跨模态记忆以及故事级别的一致性。其性能的核心在于,一个跨模态视听记忆库能够在长达五分钟的视频中保持角色外观和语音音色的一致性。同时,一个训练后处理流程将基于记忆的强化学习与分布匹配蒸馏相结合,实现了7.5倍的速度提升,显著增强了视觉质量和对齐效果。00
AstrBot✨ 易上手的多平台 LLM 聊天机器人及开发框架 ✨ 平台支持 QQ、QQ频道、Telegram、微信、企微、飞书 | OpenAI、DeepSeek、Gemini、硅基流动、月之暗面、Ollama、OneAPI、Dify 等。附带 WebUI。Python08
handy-ollama动手学Ollama,CPU玩转大模型部署,在线阅读地址:https://datawhalechina.github.io/handy-ollama/Jupyter Notebook07