Easy-ES v2.1.0 版本发布:全面升级与功能增强
Easy-ES 是一个基于 Elasticsearch 的高效开发框架,它简化了开发者与 Elasticsearch 的交互过程,提供了类似 MyBatis-Plus 的便捷操作方式。通过注解和 API 封装,开发者可以更轻松地实现索引管理、文档操作和复杂查询等功能。
核心升级内容
1. 框架适配扩展
本次 2.1.0 版本新增了对 Solon 框架和老版本 Spring 的支持,这意味着 Easy-ES 现在可以更广泛地应用于各种 Java 生态系统中。Solon 是一个轻量级的 Java 应用框架,而老版本 Spring 的支持则确保了那些尚未升级到最新 Spring 版本的项目也能顺利集成 Easy-ES。
2. 底层客户端升级
框架底层依赖的 RestHighLevelClient 从 7.14.0 升级到了 7.17.8 版本。这一升级带来了两个重要优势:
- 兼容性提升:新版本可以同时兼容 Elasticsearch 7.x 和 8.x 系列,为开发者提供了更大的灵活性
- 功能增强:新版客户端包含了更多 Elasticsearch 的新特性和性能优化
3. 索引类型增强
新增了对 copy_to 索引类型的支持。copy_to 是 Elasticsearch 中一个非常有用的功能,它允许将多个字段的值复制到一个组合字段中,便于进行跨字段搜索。例如:
@IndexName("my_index")
public class Document {
@IndexField(type = FieldType.TEXT, copyTo = "full_text")
private String title;
@IndexField(type = FieldType.TEXT, copyTo = "full_text")
private String content;
@IndexField(type = FieldType.TEXT)
private String full_text;
}
这样设置后,可以直接在 full_text 字段上搜索,同时匹配 title 和 content 的内容。
4. 查询构建器优化
修复了 QueryBuilders 中当 boost 参数为 null 时的 NPE(空指针异常)问题,提升了框架的健壮性。同时优化了 condition 判断逻辑,现在只有在 condition 为 true 时才会进行参数校验,减少了不必要的性能开销。
5. 搜索功能增强
修复了在混合查询中设置排序后 searchAfter 查询报错的问题。searchAfter 是 Elasticsearch 中用于深度分页的技术,这次修复使得开发者可以更灵活地组合各种查询条件和排序方式。
开发者体验改进
1. 多包扫描支持
MapperScan 注解现在支持多包扫描配置,开发者可以更灵活地组织自己的代码结构:
@EsMapperScan({"com.example.mapper", "com.example.other.mapper"})
public class Application {
// 应用启动类
}
2. 拦截器增强
拦截器插件现在支持正则表达式通配,为开发者提供了更强大的 AOP 能力。例如,可以通过正则表达式匹配特定模式的方法名来添加拦截逻辑。
3. 逆向工程工具
新增了根据索引自动生成实体类的逆向工程功能。这一特性可以显著提升开发效率,特别是在已有 Elasticsearch 索引需要映射为 Java 实体类的场景下。使用方法示例:
EasyEsAutoGenerator generator = new EasyEsAutoGenerator();
generator.setIndexName("your_index_name");
generator.setPackageName("com.your.package");
generator.execute();
升级建议
对于正在使用 Easy-ES 的开发者,建议在测试环境中先行验证新版本的兼容性,特别是注意以下几点:
- 检查自定义拦截器是否受到正则表达式通配功能的影响
- 验证现有查询中使用的 boost 参数是否可能为 null
- 如果使用了 searchAfter 与复杂排序组合的功能,需要重点测试相关场景
对于新用户,2.1.0 版本提供了更全面的功能和更好的稳定性,是开始使用 Easy-ES 的良好起点。
总结
Easy-ES v2.1.0 通过框架适配扩展、底层升级和功能增强,为开发者提供了更强大、更灵活的工具集。特别是对 copy_to 的支持和逆向工程功能的加入,将显著提升开发效率。建议所有用户考虑升级到这一版本,以获得更好的开发体验和系统性能。
ERNIE-4.5-VL-28B-A3B-ThinkingERNIE-4.5-VL-28B-A3B-Thinking 是 ERNIE-4.5-VL-28B-A3B 架构的重大升级,通过中期大规模视觉-语言推理数据训练,显著提升了模型的表征能力和模态对齐,实现了多模态推理能力的突破性飞跃Python00
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
MiniMax-M2MiniMax-M2是MiniMaxAI开源的高效MoE模型,2300亿总参数中仅激活100亿,却在编码和智能体任务上表现卓越。它支持多文件编辑、终端操作和复杂工具链调用Python00
HunyuanVideo-1.5暂无简介00
MiniCPM-V-4_5MiniCPM-V 4.5 是 MiniCPM-V 系列中最新且功能最强的模型。该模型基于 Qwen3-8B 和 SigLIP2-400M 构建,总参数量为 80 亿。与之前的 MiniCPM-V 和 MiniCPM-o 模型相比,它在性能上有显著提升,并引入了新的实用功能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
GOT-OCR-2.0-hf阶跃星辰StepFun推出的GOT-OCR-2.0-hf是一款强大的多语言OCR开源模型,支持从普通文档到复杂场景的文字识别。它能精准处理表格、图表、数学公式、几何图形甚至乐谱等特殊内容,输出结果可通过第三方工具渲染成多种格式。模型支持1024×1024高分辨率输入,具备多页批量处理、动态分块识别和交互式区域选择等创新功能,用户可通过坐标或颜色指定识别区域。基于Apache 2.0协议开源,提供Hugging Face演示和完整代码,适用于学术研究到工业应用的广泛场景,为OCR领域带来突破性解决方案。00