Undici v7.9.0 发布:HTTP客户端库的重要更新
项目简介
Undici 是 Node.js 官方团队开发的高性能 HTTP/1.1 和 HTTP/2 客户端库,旨在提供比 Node.js 内置 http 模块更高效、更现代的 HTTP 客户端功能。它特别适合需要高性能 HTTP 请求的场景,如微服务通信、API 调用等。
核心更新内容
1. MockAgent 新增非标准查询参数支持
新版本为 MockAgent 增加了 acceptNonStandardSearchParameters 选项,这一改进使得开发者可以更灵活地处理包含非标准查询参数的请求。在实际开发中,我们经常会遇到需要处理不规范 URL 的情况,这个新选项可以帮助开发者在不修改现有代码的情况下,更好地模拟这些特殊情况。
2. HTTP 缓存行为优化
本次更新对 HTTP 缓存机制进行了多项改进:
- 缓存控制头现在支持不区分大小写的处理,这符合 HTTP 规范的要求,解决了之前因大小写不一致导致的缓存问题
- 修复了
no-cache响应指令的处理逻辑,现在会正确遵守不带限定条件的no-cache指令 - 修正了
max-age缓存行为的实现,确保符合规范要求
这些改进使得 Undici 的缓存行为更加符合 HTTP 标准,减少了因缓存问题导致的意外行为。
3. HTTP/2 头部字段合并优化
修复了 HTTP/2 中冲突的平面头部字段合并问题。在 HTTP/2 中,某些头部字段(如 cookie)可能会被拆分为多个字段,新版本确保这些字段能够被正确合并,避免了因头部字段处理不当导致的请求问题。
4. 客户端统计信息增强
新增了通过 Agent 访问客户端和连接池统计信息的能力。这一功能为性能监控和调试提供了更多数据支持,开发者现在可以更方便地获取以下信息:
- 当前活跃连接数
- 空闲连接数
- 请求队列状态
- 连接池使用情况
这些统计信息对于优化应用性能、诊断连接问题非常有价值。
其他改进
- 文档更新:新增了关于 CORS 规范合规性的说明文档
- 修复了诊断示例中的代码缺失问题
- 持续更新 Web 平台测试(WPT)套件,确保与标准的一致性
升级建议
对于正在使用 Undici 的开发者,建议尽快升级到 v7.9.0 版本,特别是以下情况:
- 需要处理非标准查询参数的 Mock 测试场景
- 依赖 HTTP 缓存功能的应用程序
- 使用 HTTP/2 协议并遇到头部字段问题的项目
- 需要监控客户端性能指标的应用
升级通常只需更新 package.json 中的版本号并重新安装依赖即可。如果项目中有自定义的缓存逻辑或 MockAgent 配置,可能需要根据变更进行相应调整。
总结
Undici v7.9.0 带来了多项重要改进,特别是在 Mock 测试灵活性、HTTP 缓存合规性和 HTTP/2 支持方面。这些更新不仅增强了库的功能性,也提高了与 HTTP 标准的兼容性。新增的统计信息访问能力为性能优化提供了新的工具,使得 Undici 在构建高性能 Node.js 应用时更加得心应手。
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
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
MiniMax-M2MiniMax-M2是MiniMaxAI开源的高效MoE模型,2300亿总参数中仅激活100亿,却在编码和智能体任务上表现卓越。它支持多文件编辑、终端操作和复杂工具链调用Python00
HunyuanVideo-1.5暂无简介00
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-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
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