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。
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