Apollo Router v1.60.0 版本发布:性能优化与错误处理增强
Apollo Router 是一个高性能的 GraphQL 网关,用于构建和管理 GraphQL API。作为 GraphQL 生态系统中的重要组件,它能够聚合多个后端服务的数据,并提供统一的 GraphQL 接口。最新发布的 v1.60.0 版本带来了一系列性能优化和错误处理改进,进一步提升了路由器的稳定性和效率。
性能优化亮点
本次版本在多个方面进行了性能优化,显著提升了路由器的处理能力:
-
查询哈希算法改进:采用预计算模式哈希的新算法,简化了查询哈希过程,降低了 CPU 和内存使用量。这种优化使得哈希计算更加高效且资源消耗更可预测。
-
需求控制性能提升:通过将更多数据计算移至插件初始化阶段,并合并查找查询,优化了需求控制的性能。具体改进包括将参数的成本指令与字段定义存储在一起,以及减少响应评分时的查找次数。
-
系统运行数据优化:修复了自 v1.59.0 版本以来因使用
sysinfo库导致的内存使用增加问题。通过禁用不必要的并行处理和系统进程数据收集,减少了约 150MB 的内存占用。
错误处理与稳定性增强
-
无效错误路径处理:现在当子图返回包含无效路径的错误时,路由器会将这些路径截断至最近的合法字段路径,而不是静默丢弃错误。这符合 GraphQL 规范要求,确保错误能够正确关联到响应字段。
-
订阅操作初始化修复:解决了订阅节点中主节点操作初始化问题,确保其与其他查询计划节点采用相同的初始化方式。
-
子图请求头修复:恢复了在 v1.59.0 中被意外移除的 Content-Length 头,确保与依赖此头的 GraphQL 服务器的兼容性。
监控与可观测性改进
新增了批处理器指标,帮助用户更好地观察和调整批处理设置:
- 新增
apollo.router.telemetry.batch_processor.errors指标,用于监控导出批处理器遇到的错误数量 - 改进了丢弃 span 的日志消息,现在会明确指出受影响的批处理器
架构与维护更新
-
移除传统查询规划器:完全移除了传统查询规划器及其相关配置选项,包括
experimental_query_planner_mode、supergraph.query_planning.experimental_parallelism和supergraph.experimental_reuse_query_fragments。 -
指标迁移:将多个基于
tracing的遗留指标迁移到 OpenTelemetry 仪器,提升了指标系统的现代化程度和一致性。 -
移除实验性重试选项:由于使用有限且功能不完善,移除了
experimental_retry选项。
文档完善
为路由器遥测功能新增了常见用例的配置示例,包括选择器和条件的使用示例,帮助用户更快上手相关功能配置。
Apollo Router v1.60.0 通过这些改进,进一步巩固了其作为高性能 GraphQL 网关的地位,为用户提供了更稳定、更高效的 GraphQL 服务聚合能力。特别是性能优化方面的改进,使得路由器在处理复杂查询和大规模请求时表现更加出色。
GLM-5智谱 AI 正式发布 GLM-5,旨在应对复杂系统工程和长时域智能体任务。Jinja00
GLM-5-w4a8GLM-5-w4a8基于混合专家架构,专为复杂系统工程与长周期智能体任务设计。支持单/多节点部署,适配Atlas 800T A3,采用w4a8量化技术,结合vLLM推理优化,高效平衡性能与精度,助力智能应用开发Jinja00
请把这个活动推给顶尖程序员😎本次活动专为懂行的顶尖程序员量身打造,聚焦AtomGit首发开源模型的实际应用与深度测评,拒绝大众化浅层体验,邀请具备扎实技术功底、开源经验或模型测评能力的顶尖开发者,深度参与模型体验、性能测评,通过发布技术帖子、提交测评报告、上传实践项目成果等形式,挖掘模型核心价值,共建AtomGit开源模型生态,彰显顶尖程序员的技术洞察力与实践能力。00
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
MiniMax-M2.5MiniMax-M2.5开源模型,经数十万复杂环境强化训练,在代码生成、工具调用、办公自动化等经济价值任务中表现卓越。SWE-Bench Verified得分80.2%,Multi-SWE-Bench达51.3%,BrowseComp获76.3%。推理速度比M2.1快37%,与Claude Opus 4.6相当,每小时仅需0.3-1美元,成本仅为同类模型1/10-1/20,为智能应用开发提供高效经济选择。【此简介由AI生成】Python00
Qwen3.5Qwen3.5 昇腾 vLLM 部署教程。Qwen3.5 是 Qwen 系列最新的旗舰多模态模型,采用 MoE(混合专家)架构,在保持强大模型能力的同时显著降低了推理成本。00- RRing-2.5-1TRing-2.5-1T:全球首个基于混合线性注意力架构的开源万亿参数思考模型。Python00