MCP-Atlassian v0.9.0版本发布:支持本地化部署与功能增强
MCP-Atlassian是一个面向Atlassian产品生态的中间件项目,它提供了与Jira、Confluence等Atlassian产品的API集成能力,简化了企业级应用与Atlassian生态系统的对接工作。该项目通过封装复杂的API调用,为开发者提供了更简洁、更易用的接口。
核心功能改进
本地化部署支持
v0.9.0版本最重要的改进之一是增加了对本地化部署(On-Prem)服务器的支持。这一特性使得企业可以在自己的私有环境中部署和使用MCP-Atlassian,而不必依赖Atlassian的云服务。对于数据敏感型行业或需要遵守严格合规要求的企业来说,这一功能至关重要。
实现这一功能时,开发团队重构了原有的认证和连接机制,使其能够同时兼容云服务和本地化部署两种模式。系统现在能够自动识别服务器类型,并采用相应的连接策略。
Confluence标签管理增强
新版本扩展了对Confluence页面的标签管理能力,新增了获取和添加标签的功能接口。这使得开发者能够:
- 批量查询页面标签
- 以编程方式为页面添加新标签
- 实现基于标签的内容分类和检索
这一改进特别适合需要自动化内容管理的场景,如知识库维护、文档分类等。
技术架构优化
代码质量提升
开发团队在本版本中进行了大规模的技术债务清理和代码重构工作,主要改进包括:
- 统一了异常处理机制
- 优化了模块间的依赖关系
- 重构了部分冗余代码
- 增强了类型提示和文档注释
这些改进不仅提高了代码的可维护性,也为未来的功能扩展打下了更好的基础。
批量变更日志获取
新增的批量获取变更日志功能允许开发者一次性获取多个问题的变更历史,相比之前的单条查询方式,这一改进可以显著减少API调用次数,提高数据获取效率。特别是在需要分析大量问题历史变更的场景下,性能提升尤为明显。
问题修复与稳定性提升
- 修复了Jira Cloud搜索中enhanced_jql的使用问题,确保查询语法在不同环境中一致
- 解决了startAt参数的类型错误问题,增强了API调用的稳定性
- 修正了问题创建时标签无法添加的缺陷
- 优化了工具启用标志的处理逻辑,支持通过环境变量过滤可用工具
开发者体验改进
新版本引入了工具启用标志和环境变量过滤机制,开发者现在可以通过配置更灵活地控制哪些功能模块应该被启用。这一特性特别适合在微服务架构中,根据不同的服务角色启用不同的功能集。
总结
MCP-Atlassian v0.9.0版本在功能广度、代码质量和稳定性方面都有显著提升。特别是本地化部署支持的加入,使得该项目能够满足更广泛的企业需求。对于已经使用或考虑集成Atlassian产品的开发团队来说,这一版本值得关注和升级。
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