Karakeep(原Hoarder)v0.23.1版本发布:品牌重塑与功能升级
Karakeep(原Hoarder)是一款专注于网页内容保存和管理的开源工具,它能够帮助用户高效地抓取、存储和组织网页内容。通过多种保存方式(如PDF、截图、HTML存档等),用户可以轻松构建个人知识库或存档重要网页资源。该项目特别适合研究人员、内容创作者和需要长期保存网络资料的用户群体。
品牌重塑:从Hoarder到Karakeep
本次发布的v0.23.1版本标志着项目的重要转折点——品牌重塑。项目名称从"Hoarder"变更为"Karakeep",这个新名称源自阿拉伯语"كراكيب"(karakeeb),意为"杂乱的收藏品",形象地描述了那些看似杂乱无章但实际上很有价值的个人收藏。
在技术实现上,当前版本在管理员面板中加入了品牌重塑的提示横幅,确保现有用户能够顺利过渡。需要注意的是,Docker镜像名称也将随之变更,但具体迁移时间将取决于仓库转移的进度。
核心功能升级
资产存储目录自定义
新版本引入了ASSETS_DIR环境变量,允许用户将资产文件存储到独立目录中。这一改进特别适合以下场景:
- 需要将可能占用大量空间的资产文件(如PDF、截图等)存储在网络挂载目录
- 希望将资产与应用程序数据分离管理
- 需要针对资产文件实施不同的备份策略
元数据增强
现在系统会捕获并索引链接的作者(author)和发布者(publisher)属性,为后续版本中展示这些信息奠定了基础。这一改进将显著提升内容管理的精细化程度,使用户能够:
- 按作者或发布者筛选内容
- 建立更完善的内容来源追踪
- 在未来版本中实现更智能的内容组织
用户体验优化
链接打开方式改进
"查看原始链接"功能现在会在新标签页中打开,避免了中断用户当前浏览流程的问题,这一看似微小的改动实际上显著提升了操作流畅度。
界面细节打磨
- 侧边栏字体重量调整,使界面看起来更加清爽
- 添加了GitHub发布页面链接,方便用户快速查看最新版本信息
性能与稳定性修复
内存管理优化
解决了处理大型SingleFile存档时内存耗尽的问题,通过避免在内存中缓冲上传文件,显著提升了系统处理大文件的稳定性。
可配置截图超时
新增了CRAWLER_SCREENSHOT_TIMEOUT_SEC配置项,允许用户根据实际网络环境和需求调整截图操作的超时时间,这一改进特别适合:
- 网络条件不稳定的使用环境
- 需要捕获复杂页面的场景
- 希望平衡成功率与响应时间的用户
升级指南
对于使用Docker部署的用户:
- 如果使用
HOARDER_VERSION=release,只需执行docker compose pull && docker compose up -d - 如果固定了特定版本,需要先更新版本号再执行上述命令
多语言支持
本次更新还新增了对多种语言的支持,进一步扩大了工具的可用性范围。
总结
Karakeep v0.23.1虽然是一个小版本更新,但包含了重要的品牌转型和多项实用改进。从灵活的资产存储到增强的元数据处理,再到细致的内存管理优化,这些变化共同提升了工具的实用性、稳定性和用户体验。特别值得一提的是,项目吸引了多位新贡献者的加入,展现了良好的社区发展势头。
随着品牌重塑完成,Karakeep将继续致力于为用户提供更强大的网页内容保存和管理解决方案,未来的版本值得期待。
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