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。
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