Sermant 2.2.0版本发布:全面增强服务治理能力
Sermant是一个基于Java Agent技术构建的服务治理框架,它通过无侵入的方式为Java应用提供流量控制、路由管理、监控等能力。最新发布的2.2.0版本在多个关键领域进行了重要升级,进一步提升了框架的功能性和稳定性。
核心功能增强
在2.2.0版本中,Sermant实现了对Istio xDS协议的支持,能够直接从Istio控制平面获取流量控制配置。这一改进使得Sermant可以无缝集成到Istio生态系统中,同时相比Envoy实现了90%以上的CPU资源消耗和调用延迟降低,显著提升了性能表现。
监控能力方面,新版本集成了Prometheus监控系统,提供了丰富的指标采集API接口。路由插件现在能够采集并上报路由相关指标,为系统运维提供了更全面的可观测性数据。此外,框架还支持默认的指标标签配置,简化了监控指标的标准化管理。
外部Agent支持机制
2.2.0版本引入了一个重要的架构改进——支持外部Agent的安装和管理。这一功能通过多种方式实现:
- 静态挂载:通过-javaagent命令行参数或Sermant Injector实现
- 动态挂载:通过脚本或Sermant Backend动态加载
- 兼容性支持:特别提供了对OpenTelemetry等流行Agent的兼容支持
这种灵活的Agent管理机制大大增强了框架的扩展性和适应性,使得Sermant能够更好地与其他监控和治理工具协同工作。
注册中心与路由能力优化
在服务发现方面,新版本为SpringBoot注册中心插件增加了对Nacos注册中心的支持,扩展了框架在多样化微服务架构中的适用性。同时,路由插件现在全面支持SpringBoot 3.x版本,保持了对最新技术栈的兼容性。
路由能力方面,除了性能优化外,还修复了多个关键问题,包括HttpServletRequest输入流获取问题、OkHttp 2.2.0兼容性问题等,确保了路由功能在各种场景下的可靠性。
稳定性与兼容性提升
2.2.0版本修复了一系列影响稳定性的问题:
- 流量控制插件在服务名未初始化时的异常问题
- 标签透传插件在多线程场景下的失效问题
- RocketMQ 5.1客户端版本中消息队列灰度插件的拦截点失效问题
- 多次动态挂载Agent时的路径管理问题
- 类加载器加载SPI实现类时的父类加载器问题
这些修复显著提升了框架在生产环境中的稳定性和可靠性。
开发者体验改进
为了提升开发者体验,新版本优化了动态挂载脚本,并将其包含在发布包中,简化了部署流程。同时支持自定义插件安装路径,为不同部署场景提供了更大的灵活性。代码结构和可读性也得到了整体优化,降低了二次开发的门槛。
Sermant 2.2.0版本的发布标志着该项目在服务治理领域又迈出了坚实的一步,通过增强的核心功能、改进的稳定性和扩展性,为构建高效可靠的微服务架构提供了更强大的支持。
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