Tianji项目v1.18.0版本发布:AI分析功能与数据洞察能力全面升级
Tianji是一个现代化的网站分析与用户行为追踪平台,其最新发布的v1.18.0版本带来了多项重要功能更新,特别是在AI辅助分析和数据可视化方面有显著提升。本次更新不仅增强了平台的核心数据分析能力,还为用户提供了更加智能化的数据解读体验。
核心功能升级
AI驱动的数据分析工具
v1.18.0版本引入了全新的AI分析工具集,其中最值得注意的是getSurveyByDateRange功能,它允许用户通过自然语言查询获取特定日期范围内的调查数据概览。平台还新增了aiToolsSelection组件,让用户可以直观地选择和使用不同的AI分析工具。
开发者特别设计了useAIStoreContext机制,使得不同页面可以灵活切换AI上下文环境,这为构建复杂的分析工作流提供了基础。同时,系统会智能检测AI功能的使用状态,当服务器未启用AI功能时会自动禁用相关特性,确保用户体验的一致性。
增强的数据洞察能力
新版Tianji重构了数据洞察模块,增加了以下关键特性:
-
智能图表渲染:系统现在能够根据数据类型自动选择合适的可视化方式,并支持日期单位选择,让时间序列数据的展示更加灵活。
-
交互式表格视图:新增的表格组件支持列固定(pinning)功能,方便用户在处理大量数据时保持关键信息的可见性。表格还优化了对数组类型键值的处理,提高了数据展示的准确性。
-
多维度过滤:用户可以通过直观的界面构建复杂的过滤条件,快速聚焦于感兴趣的数据子集。
-
会话级计算:新增了基于会话(session)的事件计算方式,为分析用户行为模式提供了新的视角。
用户体验优化
可视化界面改进
-
可调整面板:采用新的
resizable panel设计,用户可以根据需要灵活调整各个分析模块的显示区域。 -
悬停状态反馈:指标区块(metrics block)现在具有更明显的悬停效果,同时增加了删除单项指标的支持,让管理自定义指标更加便捷。
-
日期选择器:专门优化的日期选择组件简化了时间范围的设定流程。
-
空状态处理:图表和指标区块在没有数据时会显示友好的提示信息,而非空白区域。
调查分析增强
新增的调查详情面板(survey detail sheet panel)提供了更丰富的调查结果展示方式。系统还完善了调查提示机制和信用计算逻辑,确保数据分析过程的透明性和可解释性。
技术架构优化
在底层架构方面,v1.18.0版本进行了多项改进:
- 解决了会话数据保存问题,提高了数据持久化的可靠性。
- 优化了OpenAPI SDK的配置选项,为第三方集成提供了更多灵活性。
- 升级了React Icons从v4到v5版本,保持前端依赖的现代性。
- 改进了trpc-to-openapi中间件的使用方式,修复了相关兼容性问题。
开发者资源
对于开发者而言,本次更新特别值得关注的是新增的示例仓库(example repo),其中包含了:
- 事件追踪的实现示例
- 身份识别(identify)的典型用法
- Tianji报告发送功能的演示代码
这些资源大大降低了新用户的上手难度,也为有经验的开发者提供了最佳实践参考。
总结
Tianji v1.18.0通过引入AI辅助分析和增强的数据可视化能力,显著提升了平台的数据解读效率。从技术架构到用户界面,本次更新都体现了团队对数据分析工作流的深入思考。特别是将AI能力与传统的指标分析相结合的设计,为业务用户提供了更直观的数据洞察方式,同时也为技术用户保留了足够的灵活性和控制权。
对于正在寻找现代化分析工具的企业和开发者,Tianji的这个版本值得认真评估。其平衡了易用性与功能性,在保持技术先进性的同时,没有牺牲产品的稳定性和可靠性。随着AI功能的持续完善,Tianji正在数据分析领域建立起独特的竞争优势。
ERNIE-4.5-VL-28B-A3B-ThinkingERNIE-4.5-VL-28B-A3B-Thinking 是 ERNIE-4.5-VL-28B-A3B 架构的重大升级,通过中期大规模视觉-语言推理数据训练,显著提升了模型的表征能力和模态对齐,实现了多模态推理能力的突破性飞跃Python00
unified-cache-managementUnified Cache Manager(推理记忆数据管理器),是一款以KV Cache为中心的推理加速套件,其融合了多类型缓存加速算法工具,分级管理并持久化推理过程中产生的KV Cache记忆数据,扩大推理上下文窗口,以实现高吞吐、低时延的推理体验,降低每Token推理成本。Python03
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
Spark-Prover-7BSpark-Prover-7B is a 7B-parameter large language model developed by iFLYTEK for automated theorem proving in Lean4. It generates complete formal proofs for mathematical theorems using a three-stage training framework combining pre-training, supervised fine-tuning, and reinforcement learning. The model achieves strong formal reasoning performance and state-of-the-art results across multiple theorem-proving benchmarksPython00
MiniCPM-V-4_5MiniCPM-V 4.5 是 MiniCPM-V 系列中最新且功能最强的模型。该模型基于 Qwen3-8B 和 SigLIP2-400M 构建,总参数量为 80 亿。与之前的 MiniCPM-V 和 MiniCPM-o 模型相比,它在性能上有显著提升,并引入了新的实用功能Python00
Spark-Formalizer-7BSpark-Formalizer-7B is a 7B-parameter large language model by iFLYTEK for mathematical auto-formalization. It translates natural-language math problems into precise Lean4 formal statements, achieving high accuracy and logical consistency. The model is trained with a two-stage strategy combining large-scale pre-training and supervised fine-tuning for robust formal reasoning.Python00
GOT-OCR-2.0-hf阶跃星辰StepFun推出的GOT-OCR-2.0-hf是一款强大的多语言OCR开源模型,支持从普通文档到复杂场景的文字识别。它能精准处理表格、图表、数学公式、几何图形甚至乐谱等特殊内容,输出结果可通过第三方工具渲染成多种格式。模型支持1024×1024高分辨率输入,具备多页批量处理、动态分块识别和交互式区域选择等创新功能,用户可通过坐标或颜色指定识别区域。基于Apache 2.0协议开源,提供Hugging Face演示和完整代码,适用于学术研究到工业应用的广泛场景,为OCR领域带来突破性解决方案。00- HHowToCook程序员在家做饭方法指南。Programmer's guide about how to cook at home (Chinese only).Dockerfile014
Spark-Scilit-X1-13B科大讯飞Spark Scilit-X1-13B基于最新一代科大讯飞基础模型,并针对源自科学文献的多项核心任务进行了训练。作为一款专为学术研究场景打造的大型语言模型,它在论文辅助阅读、学术翻译、英语润色和评论生成等方面均表现出色,旨在为研究人员、教师和学生提供高效、精准的智能辅助。Python00- PpathwayPathway is an open framework for high-throughput and low-latency real-time data processing.Python00