JBang v0.125.0 发布:Maven/Gradle项目导出与基础认证增强
项目简介
JBang 是一个轻量级的 Java 脚本运行工具,它允许开发者像运行脚本语言一样直接执行 Java 代码,无需繁琐的项目配置和构建过程。通过简单的命令行工具,用户可以快速编写、测试和运行 Java 代码片段,极大地提高了 Java 开发的灵活性和效率。
主要更新内容
1. Maven/Gradle 项目导出功能
在 v0.125.0 版本中,JBang 引入了一个重要的新特性:项目导出功能。开发者现在可以通过简单的命令将现有的 JBang 脚本转换为标准的 Maven 或 Gradle 项目。
使用方式非常简单:
- 转换为 Maven 项目:
jbang export maven - 转换为 Gradle 项目:
jbang export gradle
这个功能特别适合以下场景:
- 当项目复杂度增加,需要更完整的构建工具支持时
- 需要与现有构建系统集成时
- 项目需要更精细的依赖管理时
值得注意的是,这个转换过程会保留原始脚本的所有功能,同时添加必要的构建配置文件(如 pom.xml 或 build.gradle),使得项目可以无缝过渡到更复杂的开发环境中。
2. 基础认证支持增强
新版本改进了对基础认证(Basic Auth)的支持,现在可以在 URL 中使用属性表达式来动态设置用户名和密码。例如:
https://${SOME_USERNAME}:${SOME_PASSWORD}@example.com
这种改进使得:
- 认证信息可以外部化配置,避免硬编码在脚本中
- 提高了安全性,敏感信息可以通过环境变量等方式注入
- 支持更灵活的部署场景,特别是在需要访问受保护资源时
其他改进与修复
-
符号链接处理:改进了在解压 tar 文件时对符号链接的处理,确保文件系统结构的正确性。
-
环境变量别名:现在可以使用
env作为java-env的别名,提高了命令的易用性。 -
GitHub 请求认证:为 githubusercontent 请求添加了认证令牌,提高了访问可靠性。
-
Java 版本下载优化:避免不必要地下载 Java 21,优化了资源使用。
-
@符号处理:修正了 @ 符号的解析逻辑,不再总是假设它代表 catalog 引用。
技术实现亮点
从技术角度看,这个版本有几个值得关注的实现细节:
-
项目导出机制:导出功能不仅仅是简单的配置文件生成,它还智能地分析脚本中的依赖关系、包结构等信息,确保生成的构建文件能够准确反映原始脚本的功能。
-
属性表达式解析:基础认证中的属性表达式支持展示了 JBang 灵活的配置系统,它能够在运行时动态解析各种上下文中的变量。
-
模块化重构:代码中引入了
devkitman模块,显示了项目正在向更模块化的架构发展,这将有利于未来的功能扩展和维护。
适用场景与建议
对于日常使用 JBang 的开发者,这个版本带来了几个实用的改进:
-
原型开发到正式项目的平滑过渡:现在可以先用 JBang 快速原型开发,当项目成熟后再转换为标准项目,大大降低了初始开发门槛。
-
企业环境集成:改进的基础认证支持使得 JBang 在企业内部网络环境中使用更加方便,特别是需要访问受保护资源时。
-
教学与示例代码:教师和文档作者可以更方便地提供既可作为脚本运行,又可作为完整项目导入的示例代码。
总结
JBang v0.125.0 通过引入项目导出功能和增强的基础认证支持,进一步模糊了脚本与正式项目之间的界限,为 Java 开发者提供了更灵活的工作流程选择。这些改进不仅保留了 JBang 简单易用的核心优势,还扩展了它在更复杂场景下的适用性,体现了项目团队对开发者实际需求的深刻理解。
对于已经使用 JBang 的开发者,建议尝试新的导出功能,体验从快速原型到正式项目的无缝转换;对于尚未尝试的开发者,现在正是开始使用的好时机,体验 Java 开发的另一种可能。
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- QQwen3-Coder-Next2026年2月4日,正式发布的Qwen3-Coder-Next,一款专为编码智能体和本地开发场景设计的开源语言模型。Python00
xw-cli实现国产算力大模型零门槛部署,一键跑通 Qwen、GLM-4.7、Minimax-2.1、DeepSeek-OCR 等模型Go06
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
Baichuan-M3-235BBaichuan-M3 是百川智能推出的新一代医疗增强型大型语言模型,是继 Baichuan-M2 之后的又一重要里程碑。Python00
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