ORPC v0.40.0 发布:原生支持服务器推送事件(SSE)的RPC框架
ORPC是一个现代化的RPC框架,它通过TypeScript优先的设计理念,为开发者提供了类型安全的远程过程调用体验。最新发布的v0.40.0版本带来了原生服务器推送事件(Server-Sent Events, SSE)支持,使开发者能够轻松实现实时数据流功能。
原生SSE支持
v0.40.0版本最显著的改进是内置了对服务器推送事件的支持。这意味着开发者现在可以直接在ORPC中实现实时数据流功能,而无需额外的配置或中间件。
服务端实现
在服务端,开发者可以使用eventIterator和withEventMeta工具函数来创建SSE流:
const streaming = os
.output(eventIterator(z.object({ message: z.string() })))
.handler(async function* ({ input, lastEventId }) {
try {
while (true) {
yield withEventMeta({ message: 'Hello, world!' }, {
id: 'event-id',
retry: 1000
})
await new Promise(resolve => setTimeout(resolve, 1000))
}
} finally {
// 清理逻辑
}
})
这段代码展示了如何创建一个每秒发送一次"Hello, world!"消息的SSE流。withEventMeta函数允许开发者附加事件元数据,如事件ID和重试时间。
客户端消费
客户端可以像这样消费SSE流:
const result = await client.streaming(
{ prompt: 'Hello' },
{ lastEventId: '初始事件ID' }
)
for await (const event of result) {
console.log(event)
}
客户端代码使用了异步迭代器模式来处理事件流,这种模式在现代JavaScript中已经成为处理异步数据流的标准方式。
错误处理增强
v0.40.0还改进了错误处理机制,特别是对格式错误的请求的处理。这使得框架在面对异常输入时能够提供更清晰、更有帮助的错误信息,有助于开发者更快地定位和解决问题。
上下文处理改进
新版本修复了.concat方法在处理额外上下文时的问题,确保它能正确保留原始上下文中的所有信息。这一改进对于构建复杂的中间件链特别重要,因为它保证了上下文信息在中间件之间的传递不会丢失或损坏。
向后兼容性说明
需要注意的是,这个版本引入了一个破坏性变更:RPCLink中选项回调的参数顺序发生了变化。开发者在升级时需要检查所有使用RPCLink选项回调的地方,确保它们适应新的参数顺序。
总结
ORPC v0.40.0通过原生SSE支持,为开发者提供了构建实时应用的强大工具。结合其已有的类型安全特性和简洁的API设计,ORPC正在成为一个更加全面的RPC解决方案。无论是构建传统的请求-响应式API,还是需要实时数据流的现代应用,ORPC都能提供优雅的解决方案。
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