mas-cli 2.0.0 发布:全面适配 macOS 15.4+ 的重大更新
mas-cli 是一个 macOS 上的命令行工具,用于管理 Mac App Store(MAS)应用程序。它允许用户通过命令行搜索、安装、更新和卸载 App Store 应用,为喜欢终端操作或需要自动化管理应用的用户提供了极大便利。
重大变更:最低系统要求提升至 macOS 10.15
mas-cli 2.0.0 版本最显著的变化是将最低系统要求从 macOS 10.13(High Sierra)提升到了 macOS 10.15(Catalina)。这一变更主要出于以下技术考量:
-
Swift 并发模型迁移:项目从第三方 PromiseKit 迁移到了原生的 Swift Concurrency(Swift 并发),这需要 macOS 10.15 及以上版本的支持。Swift Concurrency 是苹果在 Swift 5.5 中引入的现代并发编程模型,相比 PromiseKit 提供了更好的性能和更简洁的代码结构。
-
应用列表获取方式重构:新版本放弃了原先依赖的 Apple 私有框架 CommerceKit,转而使用公开的 Spotlight 元数据接口来获取已安装的 MAS 应用列表。这一变更不仅解决了在 macOS 15.4 及以上版本中应用列表为空的问题,还提高了工具的长期稳定性,因为 Spotlight 作为公开接口不太可能突然失效。
关键修复:macOS 15.4+ 兼容性问题
在 macOS 15.4 中,原先使用的 CKSoftwareMap.shared().allProducts() 方法开始返回空数组,导致 list、outdated 和 update 命令失效。2.0.0 版本通过以下方式解决了这个问题:
-
Spotlight 元数据替代方案:现在通过查询 Spotlight 的
kMDItemAppStoreHasReceipt属性来识别 MAS 安装的应用。这种方法虽然可靠,但目前存在一个小限制:应用名称是从应用文件夹名称派生而来(去除.app后缀),可能与实际应用名称略有差异。 -
应用排序优化:新版本对已安装应用列表进行了不区分大小写的按名称排序,提升了用户体验。
其他改进
-
版本检测优化:移除了从 MAS 网页抓取应用版本信息的逻辑,简化了版本检测流程。
-
开发工具链升级:包括测试框架 Quick 和 Nimble 的版本更新,以及 SwiftLint 配置的调整,提高了开发效率和代码质量。
-
构建系统改进:解决了多架构可执行文件构建的问题,并优化了版本命名策略。
技术影响与用户建议
对于开发者而言,这次更新展示了如何将项目从依赖私有 API 迁移到公开接口的最佳实践,同时也体现了采用现代 Swift 特性的优势。对于终端用户,建议所有使用 macOS 10.15 及以上系统的用户升级到此版本,特别是那些已经升级到 macOS 15.4 的用户,以确保所有功能正常工作。
需要注意的是,由于系统要求提高,仍在使用 macOS 10.13 或 10.14 的用户将无法使用此版本。这些用户可以考虑继续使用 1.x 版本,或者升级操作系统以获得更好的兼容性和安全性。
mas-cli 2.0.0 的发布标志着该项目向着更稳定、更可持续的方向迈出了重要一步,为未来的功能扩展奠定了坚实基础。
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