HyperDX项目v2.0.0版本发布:全面升级的观测分析平台
HyperDX是一个开源的观测分析平台,专注于为开发者提供日志、指标、追踪和会话回放等可观测性数据的统一分析解决方案。该项目采用现代化的技术栈构建,支持从多种数据源收集和分析数据,帮助团队快速定位和解决系统问题。
核心功能升级
本次发布的v2.0.0版本是一个重要的里程碑更新,主要围绕以下几个方面进行了重大改进:
1. 全面的指标分析支持
新版本显著增强了指标分析能力,支持多种OpenTelemetry指标类型:
- 新增了对Sum、Gauge、Summary和Exponential Histogram等指标类型的完整支持
- 实现了多系列指标图表展示功能,可以同时对比分析多个相关指标
- 改进了指标元数据过滤机制,使指标查询更加精确高效
- 引入了指标与日志的关联分析流程,方便用户从指标异常快速定位相关日志
2. 用户体验优化
在用户界面和交互体验方面进行了多项改进:
- 侧边导航栏的展开/折叠状态现在会保存在本地存储中,保持跨窗口/会话的一致性
- 新增了搜索历史功能,方便用户快速访问之前的查询
- 实现了保存的搜索过滤器,可以快速应用常用查询条件
- 改进了自动补全功能,特别是在仪表盘页面和Lucene v2查询语法下的表现
- 修复了多个UI显示问题,如输入框与语言选择按钮的重叠问题等
3. 性能与架构改进
在系统架构和性能方面进行了重要优化:
- 全面采用clickhouse-js库处理客户端查询,默认使用POST请求提高查询效率
- 实现了CTE(Common Table Expression)渲染支持,有效解决了长URI导致的查询问题
- 移除了连接健康检查钩子,减少了不必要的网络请求
- 优化了图表配置查询逻辑,避免每次按键都触发查询
4. 会话回放增强
会话回放功能得到了显著提升:
- 将会话回放事件获取逻辑迁移到客户端,不再依赖API路由
- 修复了会话回放间歇性显示"无可用回放"的问题
- 只有当数据源配置了sessionId时才会显示追踪的会话回放标签页
- 改进了会话回放面板的UI状态一致性
5. 新增预设仪表盘
为了方便用户快速开始使用,新增了Kubernetes预设仪表盘:
- 提供了开箱即用的K8s集群监控视图
- 包含了节点运行状态等关键指标
- 支持K8s事件告警展示
技术实现细节
在底层技术实现上,v2.0.0版本进行了多项重要调整:
-
查询引擎优化:全面转向使用ClickHouse的POST请求方式,提高了大数据量查询的可靠性和性能。同时保留了本地开发模式下的GET请求支持,方便开发调试。
-
指标处理流程:重新设计了指标数据的存储和查询流程,支持更复杂的指标类型和分析场景。特别是实现了指标与日志的关联分析,为问题排查提供了更直观的路径。
-
构建系统改进:引入了多阶段构建方案,统一处理认证和非认证场景的构建流程,简化了部署过程。
-
错误处理增强:修复了多个边界条件下的错误处理逻辑,如大数值工具提示显示、元数据查询范围限定等问题。
升级建议
对于现有用户升级到v2.0.0版本,建议注意以下几点:
-
数据迁移:新版本对指标存储格式进行了调整,升级前应做好数据备份。
-
配置更新:部分配置项如ClickHouse连接端点的映射关系有所变化,需要相应调整。
-
功能适配:部分UI组件和行为有所变化,建议团队成员提前熟悉新界面。
-
性能监控:升级后初期应密切关注系统性能表现,特别是处理大规模数据时的资源使用情况。
HyperDX v2.0.0版本的发布标志着该项目进入了一个新的成熟阶段,为开发者提供了更强大、更稳定的可观测性分析平台。无论是功能广度还是使用体验,都有了质的提升,值得现有用户升级和新用户尝试。
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