go-github v72.0.0版本发布:GitHub API客户端库重大更新
go-github是一个用Go语言编写的GitHub API客户端库,它为开发者提供了访问GitHub REST API的便捷接口。该项目由Google维护,是Go生态中最受欢迎的GitHub API客户端之一。通过这个库,开发者可以轻松地在自己的Go应用中集成GitHub的各种功能,如仓库管理、问题跟踪、拉取请求处理等。
主要变更内容
重大API变更
-
移除Required Workflows支持 本次更新移除了对Required Workflows功能的支持。Required Workflows是GitHub提供的一种确保特定工作流在仓库中必须运行的功能。开发者如果之前使用了相关API,需要寻找替代方案。
-
区分拉取请求和合并队列的合并方法 现在将合并方法常量明确分为两类:
PullRequestMergeMethod*:用于普通拉取请求的合并MergeQueueMergeMethod*:用于合并队列的合并 这一变化使得API更加清晰,减少了合并操作时的混淆可能性。
-
规则API的分页支持增强 为
GetRulesForBranch、GetAllRulesets和GetAllRepositoryRulesets方法添加了分页选项参数opts。这使得处理大量规则数据时更加高效,可以控制每次请求返回的数据量。
新功能与改进
-
新增registry_package事件支持 添加了对GitHub Packages注册表事件的处理能力,开发者现在可以更好地监控和管理软件包相关活动。
-
Dependabot警报新增EPSS支持 在Dependabot警报中加入了EPSS(Exploit Prediction Scoring System)评分,帮助开发者更准确地评估依赖项的安全风险。
-
密钥扫描功能增强 扩展了密钥扫描相关的结构体,新增了多个字段和选项,提供了更细粒度的密钥管理能力。
-
Issue相关改进
- 为IssueRequest添加了Type字段,支持更详细的issue类型区分
- 为列出issue的方法添加了ListCursorOptions,优化了大仓库中的issue查询性能
-
请求头处理优化 新增了大小写不敏感的GetHeader方法,用于HookRequest和HookResponse,提高了Webhook处理的兼容性。
依赖项更新
本次发布同步更新了多个依赖项版本,包括:
- 将内部使用的go-github版本从v70升级到v71
- 更新了golang.org/x/net到0.39.0
- 升级了github.com/alecthomas/kong到1.10.0
- 更新了golang.org/x/sync到0.14.0
- 升级了github.com/getkin/kin-openapi到0.132.0
这些依赖更新带来了性能改进、bug修复和新特性支持,同时保持了向后兼容性。
升级建议
对于正在使用go-github库的开发者,升级到v72.0.0版本时需要注意以下几点:
- 如果使用了Required Workflows相关功能,需要先移除这些代码或寻找替代方案。
- 检查所有使用合并方法常量的地方,根据实际用途替换为新的
PullRequestMergeMethod*或MergeQueueMergeMethod*常量。 - 考虑利用新的分页选项优化规则API的调用,特别是处理大量规则时。
- 可以开始使用新增的registry_package事件支持和增强的密钥扫描功能。
对于新项目,建议直接使用v72.0.0版本,以利用最新的API改进和功能增强。
go-github项目持续保持活跃开发,这个版本再次展示了其对GitHub API全面而及时的支持能力,是Go开发者与GitHub交互的首选工具库。
GLM-5.1GLM-5.1是智谱迄今最智能的旗舰模型,也是目前全球最强的开源模型。GLM-5.1大大提高了代码能力,在完成长程任务方面提升尤为显著。和此前分钟级交互的模型不同,它能够在一次任务中独立、持续工作超过8小时,期间自主规划、执行、自我进化,最终交付完整的工程级成果。Jinja00
MiniMax-M2.7MiniMax-M2.7 是我们首个深度参与自身进化过程的模型。M2.7 具备构建复杂智能体应用框架的能力,能够借助智能体团队、复杂技能以及动态工具搜索,完成高度精细的生产力任务。Python00- QQwen3.5-397B-A17BQwen3.5 实现了重大飞跃,整合了多模态学习、架构效率、强化学习规模以及全球可访问性等方面的突破性进展,旨在为开发者和企业赋予前所未有的能力与效率。Jinja00
HY-Embodied-0.5这是一套专为现实世界具身智能打造的基础模型。该系列模型采用创新的混合Transformer(Mixture-of-Transformers, MoT) 架构,通过潜在令牌实现模态特异性计算,显著提升了细粒度感知能力。Jinja00
LongCat-AudioDiT-1BLongCat-AudioDiT 是一款基于扩散模型的文本转语音(TTS)模型,代表了当前该领域的最高水平(SOTA),它直接在波形潜空间中进行操作。00
ERNIE-ImageERNIE-Image 是由百度 ERNIE-Image 团队开发的开源文本到图像生成模型。它基于单流扩散 Transformer(DiT)构建,并配备了轻量级的提示增强器,可将用户的简短输入扩展为更丰富的结构化描述。凭借仅 80 亿的 DiT 参数,它在开源文本到图像模型中达到了最先进的性能。该模型的设计不仅追求强大的视觉质量,还注重实际生成场景中的可控性,在这些场景中,准确的内容呈现与美观同等重要。特别是,ERNIE-Image 在复杂指令遵循、文本渲染和结构化图像生成方面表现出色,使其非常适合商业海报、漫画、多格布局以及其他需要兼具视觉质量和精确控制的内容创作任务。它还支持广泛的视觉风格,包括写实摄影、设计导向图像以及更多风格化的美学输出。Jinja00