Moon项目v1.36.0版本发布:工具链插件与远程缓存能力升级
Moon是一个现代化的构建系统和任务运行器,旨在为多语言、多项目的代码库提供统一的开发体验。它通过智能的任务编排、依赖管理和缓存机制,显著提升了开发团队的构建效率。本次发布的v1.36.0版本带来了多项重要更新,特别是在工具链插件支持和远程缓存功能方面有了显著增强。
工具链插件支持全面升级
本次版本最引人注目的变化是对工具链插件的不稳定支持进行了大幅扩展。Moon现在允许插件通过WASM API深度参与项目的构建生命周期:
-
项目图扩展:插件现在可以向项目图中注入额外的依赖关系、任务定义和项目别名。这使得工具链能够根据自身特性动态调整项目结构。
-
环境设置与依赖安装:新增了
SetupEnvironment和InstallDependencies两个核心动作,分别对应setup_environment和install_dependenciesWASM API。这些API让插件能够在任务执行前准备必要的环境条件。 -
任务执行增强:插件现在可以干预任务执行过程,包括:
- 在命令或脚本执行前注入额外参数
- 将依赖和锁文件信息纳入哈希计算,确保缓存正确性
-
Docker集成改进:
docker prune命令现在利用新的WASM API与工具链插件交互,实现了更智能的容器清理机制。
图形化工具增强
Moon的图形化分析工具现在支持自定义主机和端口配置:
moon action-graph、moon task-graph和moon project-graph命令新增了--host和--port选项,方便开发者在不同环境中使用这些可视化工具。
输入处理优化
针对持续集成场景,v1.36.0改进了文件变更检测机制:
moon ci和moon run命令新增--stdin选项,允许通过标准输入传递变更文件列表,而非依赖VCS命令检测。这种显式的方式避免了之前版本中出现的边缘情况问题。
远程缓存可靠性提升
远程缓存功能在本版本中获得了多项改进:
-
完整性验证:新增
unstable_remote.cache.verifyIntegrity配置项,启用后会校验下载的缓存blob的摘要,确保数据完整无误。虽然会轻微影响性能,但大幅提高了可靠性。 -
失败回滚机制:当缓存恢复过程部分失败时,系统会自动清理已写入的文件,保持工作区一致性。
-
批量检查优化:缓存blob的存在性检查现在采用批量化并行处理,显著提升了效率。
-
纯环境变量配置:现在可以完全通过环境变量启用远程缓存功能,简化了配置流程。
代码生成能力扩展
模板系统新增了对复杂数据类型的支持:
template.yml现在支持array和object类型的变量,这些值必须符合JSON格式规范。generator.templates配置项新增了对HTTPS归档文件的支持,可以直接从网络URL加载模板资源。
其他重要改进
-
任务输入限制解除:移除了对
moon.{yml,pkl}作为任务输入的限制,不过在使用**/*通配符时仍会被排除。 -
终端提示修复:解决了终端提示验证有时不触发的问题。
-
缓存一致性增强:
- 修复了任务依赖的
args或env变更时缓存不失效的问题 - 命令行环境变量现在能正确覆盖任务定义中的
env
- 修复了任务依赖的
-
依赖关系修正:
- 修复了基于标签的任务依赖未正确创建隐式项目依赖的问题
- 改进了任务/命令参数的引号处理逻辑
插件API扩展
工具链插件开发者将获得一系列新的WASM API:
- 项目图操作:
extend_project_graph - 任务扩展:
extend_task_command、extend_task_script - 依赖管理:
locate_dependencies_root、parse_manifest、parse_lock - 多项输入输出结构的扩展,支持更丰富的操作类型和数据传递
底层升级
项目内部完成了多项技术栈更新:
- Rust工具链升级至v1.87.0
- proto依赖从v0.47.11升级至v0.49.1
Moon v1.36.0版本通过增强工具链插件支持和改进远程缓存等核心功能,进一步巩固了其作为现代化构建系统的地位。这些改进不仅提升了开发体验,也为更复杂的构建场景提供了可靠支持。
GLM-5智谱 AI 正式发布 GLM-5,旨在应对复杂系统工程和长时域智能体任务。Jinja00
GLM-5-w4a8GLM-5-w4a8基于混合专家架构,专为复杂系统工程与长周期智能体任务设计。支持单/多节点部署,适配Atlas 800T A3,采用w4a8量化技术,结合vLLM推理优化,高效平衡性能与精度,助力智能应用开发Jinja00
请把这个活动推给顶尖程序员😎本次活动专为懂行的顶尖程序员量身打造,聚焦AtomGit首发开源模型的实际应用与深度测评,拒绝大众化浅层体验,邀请具备扎实技术功底、开源经验或模型测评能力的顶尖开发者,深度参与模型体验、性能测评,通过发布技术帖子、提交测评报告、上传实践项目成果等形式,挖掘模型核心价值,共建AtomGit开源模型生态,彰显顶尖程序员的技术洞察力与实践能力。00
Kimi-K2.5Kimi K2.5 是一款开源的原生多模态智能体模型,它在 Kimi-K2-Base 的基础上,通过对约 15 万亿混合视觉和文本 tokens 进行持续预训练构建而成。该模型将视觉与语言理解、高级智能体能力、即时模式与思考模式,以及对话式与智能体范式无缝融合。Python00
MiniMax-M2.5MiniMax-M2.5开源模型,经数十万复杂环境强化训练,在代码生成、工具调用、办公自动化等经济价值任务中表现卓越。SWE-Bench Verified得分80.2%,Multi-SWE-Bench达51.3%,BrowseComp获76.3%。推理速度比M2.1快37%,与Claude Opus 4.6相当,每小时仅需0.3-1美元,成本仅为同类模型1/10-1/20,为智能应用开发提供高效经济选择。【此简介由AI生成】Python00
Qwen3.5Qwen3.5 昇腾 vLLM 部署教程。Qwen3.5 是 Qwen 系列最新的旗舰多模态模型,采用 MoE(混合专家)架构,在保持强大模型能力的同时显著降低了推理成本。00- RRing-2.5-1TRing-2.5-1T:全球首个基于混合线性注意力架构的开源万亿参数思考模型。Python00