SPQR 2.5.0版本发布:分布式PostgreSQL路由器的重大升级
SPQR是一个开源的PostgreSQL分片路由器项目,它作为PostgreSQL集群的中间层,能够智能地将客户端查询路由到正确的分片节点。该项目通过解析SQL语句并根据分片规则进行路由决策,实现了对PostgreSQL数据库的水平扩展能力。
核心功能增强
子查询路由支持
2.5.0版本最重要的改进之一是增加了对子查询(sub-select)的路由支持。在分布式数据库环境中,子查询的处理一直是一个技术难点。SPQR现在能够解析包含子查询的SQL语句,并正确地将查询路由到包含相关数据的分片节点。这一改进显著提升了复杂查询的兼容性,使得更多类型的应用可以直接使用SPQR而不需要修改查询逻辑。
两阶段提交支持
为了确保分布式事务的原子性,2.5.0版本引入了两阶段提交(2PC)支持。这一机制保证了跨多个分片的操作要么全部成功,要么全部回滚,解决了分布式环境下的事务一致性问题。实现细节包括:
- 准备阶段(prepare phase):各分片节点预执行事务但不提交
- 提交阶段(commit phase):协调器确认所有节点准备成功后发起全局提交
角色系统实现
新版本在路由器层面实现了基本的角色系统,包括:
- 角色创建和权限管理
- 前端规则与角色的集成
- 权限验证机制 这一功能为SPQR提供了基础的访问控制能力,使得管理员可以精细控制不同用户的访问权限。
运维与管理改进
初始化SQL处理增强
新增的exit_on_init_sql配置选项允许管理员设置在初始化SQL执行失败时是否终止路由器启动。这一改进使得部署过程更加可靠,避免了因初始化脚本错误导致的静默失败问题。
日志系统优化
2.5.0版本对日志系统进行了多项改进:
- 新增
pretty-log选项,提供更易读的日志格式 - 日志级别和输出格式的细粒度控制
- 协调器日志配置选项增强 这些改进大大提升了运维人员的问题诊断效率。
数据重分布检查
新增的REDISTRIBUTE CHECK命令允许管理员验证数据重分布操作的完整性,确保数据迁移过程中没有丢失或损坏。这一功能对于维护分片集群的数据一致性至关重要。
SQL兼容性提升
通过与底层SQL解析器lyx的协同改进,2.5.0版本支持了更多SQL语法:
- LIMIT X OFFSET Y分页查询
- ILIKE不区分大小写的模式匹配
- 更完善的CREATE/DROP语句支持
- UPDATE AS语法支持 这些改进使得SPQR能够兼容更多现有的PostgreSQL应用。
稳定性与测试增强
2.5.0版本包含了多项稳定性改进:
- 前端和后端规则重载机制的修复
- 内存队列数据库备份路径的明确配置
- 测试工作流的优化和组织
- 从golang/mock迁移到uber/mock以提升测试质量
总结
SPQR 2.5.0版本标志着该项目在功能完备性和生产可用性方面迈出了重要一步。通过引入子查询路由、两阶段提交和角色系统等核心功能,SPQR现在能够支持更复杂的应用场景和更严格的业务需求。同时,在可观测性、运维友好性和SQL兼容性方面的持续改进,使得SPQR成为PostgreSQL分片方案中一个更加成熟的选择。
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