Shuffle项目2.0.0版本发布:多租户工作流与全新架构升级
Shuffle是一个开源的自动化工作流平台,专注于安全编排、自动化和响应(SOAR)领域。该项目通过可视化拖拽界面让用户能够轻松构建复杂的工作流,实现不同系统间的自动化集成。2.0.0版本是该项目的重大更新,引入了多项核心功能改进和架构优化。
多租户工作流支持
2.0.0版本最显著的改进之一是引入了完整的多租户工作流支持。这意味着不同团队或组织现在可以在同一个Shuffle实例中完全隔离地运行各自的工作流,而不会相互干扰。这一特性对于企业级部署尤为重要,它使得:
- 不同部门可以拥有独立的工作空间
- 管理员可以集中管理所有租户
- 资源使用可以按租户进行统计和限制
多租户架构的实现涉及到底层数据存储、权限系统和执行引擎的全面改造,确保了租户间的严格隔离。
开源规模工作器(Scale Worker)
本次版本将Scale Worker组件完全开源,这是一个关键的后端组件,负责:
- 动态管理工作流执行资源
- 自动扩缩容计算能力
- 优化任务调度效率
开源Scale Worker意味着用户现在可以完全掌控工作流的执行环境,根据自身需求进行定制化调整,特别是在资源受限或特殊合规要求的场景下。
全新用户界面与发现机制
2.0.0版本带来了重新设计的用户界面,重点改进了:
- 工作流发现:新的分类和搜索机制让用户能更快找到所需工作流
- 应用管理:应用页面经过重新设计,操作更加直观
- 可视化体验:改进了节点连接、分支方向调整等交互细节
这些UI改进显著降低了新用户的学习曲线,同时提升了高级用户的工作效率。
增强的观测能力
在可观测性方面,2.0.0版本引入了:
- 执行追踪:更详细的工作流运行日志和指标
- 资源监控:实时查看系统资源使用情况
- 错误诊断:改进的错误报告和调试工具
这些改进使得运维团队能够更快地识别和解决问题,确保自动化流程的稳定运行。
数据存储分类与索引
新版本对数据存储系统进行了重要升级:
- 引入自动分类机制
- 支持自定义索引策略
- 优化查询性能
这些改进特别适合处理大量安全事件或日志数据的场景,使得后续的分析和检索更加高效。
表单与发布机制
2.0.0版本新增了表单生成和工作流发布功能:
- 用户可以通过直观界面创建数据输入表单
- 工作流可以打包为可分发单元
- 支持版本控制和更新管理
这一特性极大简化了工作流的共享和部署过程,特别适合需要将自动化流程交付给终端用户的场景。
技术实现细节
在底层实现上,2.0.0版本包含多项重要技术改进:
- Docker客户端升级:解决了文件描述符泄漏问题
- 证书管理:为每个工作器自动挂载证书
- 网络连接支持:完善了HTTP环境下的Git操作
- Swarm集成:默认使用Docker Swarm模式部署
这些改进提升了系统的稳定性和安全性,特别是在企业生产环境中。
部署选项扩展
除了传统的Docker Compose部署方式,2.0.0版本新增了:
- Kubernetes Helm Chart:简化在K8s环境中的部署
- Swarm优化配置:改进了Swarm集群下的运行表现
- 自动初始化:简化了集群的初始设置过程
这些部署选项的扩展使得Shuffle能够适应更广泛的基础设施环境。
总结
Shuffle 2.0.0版本标志着该项目在企业级自动化平台方向上的重要进步。通过多租户支持、开源核心组件、增强的UI和观测能力,以及更灵活的部署选项,该版本为安全团队和企业IT部门提供了更强大、更可靠的自动化工作流解决方案。特别是对于需要处理复杂集成场景和严格合规要求的组织,2.0.0版本提供了必要的架构基础和管理工具。
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
GLM-4.7-FlashGLM-4.7-Flash 是一款 30B-A3B MoE 模型。作为 30B 级别中的佼佼者,GLM-4.7-Flash 为追求性能与效率平衡的轻量化部署提供了全新选择。Jinja00
VLOOKVLOOK™ 是优雅好用的 Typora/Markdown 主题包和增强插件。 VLOOK™ is an elegant and practical THEME PACKAGE × ENHANCEMENT PLUGIN for Typora/Markdown.Less00
PaddleOCR-VL-1.5PaddleOCR-VL-1.5 是 PaddleOCR-VL 的新一代进阶模型,在 OmniDocBench v1.5 上实现了 94.5% 的全新 state-of-the-art 准确率。 为了严格评估模型在真实物理畸变下的鲁棒性——包括扫描伪影、倾斜、扭曲、屏幕拍摄和光照变化——我们提出了 Real5-OmniDocBench 基准测试集。实验结果表明,该增强模型在新构建的基准测试集上达到了 SOTA 性能。此外,我们通过整合印章识别和文本检测识别(text spotting)任务扩展了模型的能力,同时保持 0.9B 的超紧凑 VLM 规模,具备高效率特性。Python00
KuiklyUI基于KMP技术的高性能、全平台开发框架,具备统一代码库、极致易用性和动态灵活性。 Provide a high-performance, full-platform development framework with unified codebase, ultimate ease of use, and dynamic flexibility. 注意:本仓库为Github仓库镜像,PR或Issue请移步至Github发起,感谢支持!Kotlin07
compass-metrics-modelMetrics model project for the OSS CompassPython00