Apollo Router v2.2.1版本发布:性能优化与稳定性提升
Apollo Router是Apollo GraphQL生态系统中的核心组件,作为高性能的GraphQL网关,它负责处理客户端请求、执行查询计划并与后端服务通信。最新发布的v2.2.1版本主要聚焦于性能优化、资源泄漏修复和稳定性提升,为生产环境提供了更可靠的运行保障。
Redis连接泄漏修复
本次更新解决了Redis连接在schema变更时的泄漏问题。当Router检测到schema更新时,会执行"热重载"操作,创建新的内部路由器实例并逐步替换旧实例。在v2.2.1之前,这个过程中Redis连接未能正确终止,导致每次schema变更都会积累无效连接,最终消耗大量内存资源。
修复方案引入了新的指标apollo.router.cache.redis.connections,这是一个上下计数器,用于跟踪开放的Redis连接数量。该指标包含kind标签,可以区分不同类型的Redis连接池,与缓存相关指标(如apollo.router.cache.hit.time)的标签设计保持一致。
客户端信息传播优化
Router允许对客户端名称和版本(apollo::telemetry::client_name和apollo::telemetry::client_version)进行修改,但这些修改之前未能正确传播到遥测层以更新span和trace。v2.2.1调整了客户端名称和版本绑定到span的时机,确保router服务上的插件修改能够正确传播。
渐进式覆盖与连接器兼容性
修复了引入连接器时渐进式覆盖(progressive override)插件被意外禁用的问题。现在无论是否使用连接器,渐进式覆盖功能都能按预期工作,为GraphQL查询提供了更灵活的定制能力。
去重插件性能优化
去重插件现在会在克隆响应前检查是否有多个并发请求需要共享该响应,避免了不必要的克隆操作。同时修复了一个潜在的竞态条件问题,该问题可能导致通知丢失并触发额外的子图请求。
日志级别调整
将JWT认证失败的日志级别从error恢复为info,避免产生过多噪音日志,同时保持足够的可观测性。
指标计算精度改进
修正了apollo.router.operations.batching.size指标的计算方式,确保批量大小指标反映准确的整数值,而非偶尔出现的分数值。
配置兼容性警告
针对已弃用的coprocessor context配置用法,现在会在启动时输出运行时警告。建议用户明确使用deprecated或all替代简单的context: true配置。
Linux兼容性增强
针对使用较旧glibc版本(特别是基于RedHat的发行版)的系统,现在提供了基于glibc 2.28构建的二进制版本,显著提高了在各类Linux发行版上的兼容性。
订阅验证增强
实现了GraphQL规范RFC中的要求,在验证阶段拒绝那些可能在执行过程中变得无效的订阅查询,特别是针对订阅根字段上的@skip/@include指令使用。
文档更新
新增了查询规划最佳实践文档,为用户提供了优化GraphQL查询性能的实用指南,帮助开发人员更好地理解和利用Router的查询计划能力。
Apollo Router v2.2.1通过这些改进进一步巩固了其作为生产级GraphQL网关的可靠性,特别是在大规模部署和高并发场景下的表现。对于正在使用或考虑采用Apollo GraphQL生态系统的团队,这次更新值得关注和升级。
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
GLM-4.7-FlashGLM-4.7-Flash 是一款 30B-A3B MoE 模型。作为 30B 级别中的佼佼者,GLM-4.7-Flash 为追求性能与效率平衡的轻量化部署提供了全新选择。Jinja00
VLOOKVLOOK™ 是优雅好用的 Typora/Markdown 主题包和增强插件。 VLOOK™ is an elegant and practical THEME PACKAGE × ENHANCEMENT PLUGIN for Typora/Markdown.Less00
PaddleOCR-VL-1.5PaddleOCR-VL-1.5 是 PaddleOCR-VL 的新一代进阶模型,在 OmniDocBench v1.5 上实现了 94.5% 的全新 state-of-the-art 准确率。 为了严格评估模型在真实物理畸变下的鲁棒性——包括扫描伪影、倾斜、扭曲、屏幕拍摄和光照变化——我们提出了 Real5-OmniDocBench 基准测试集。实验结果表明,该增强模型在新构建的基准测试集上达到了 SOTA 性能。此外,我们通过整合印章识别和文本检测识别(text spotting)任务扩展了模型的能力,同时保持 0.9B 的超紧凑 VLM 规模,具备高效率特性。Python00
KuiklyUI基于KMP技术的高性能、全平台开发框架,具备统一代码库、极致易用性和动态灵活性。 Provide a high-performance, full-platform development framework with unified codebase, ultimate ease of use, and dynamic flexibility. 注意:本仓库为Github仓库镜像,PR或Issue请移步至Github发起,感谢支持!Kotlin07
compass-metrics-modelMetrics model project for the OSS CompassPython00