Logto v1.25.0 发布:多语言邮件模板与增强的认证安全功能
Logto作为一个现代化的身份认证解决方案,在最新发布的v1.25.0版本中带来了多项重要更新,主要集中在邮件模板的多语言支持和认证安全功能的增强上。这些改进不仅提升了用户体验,也为开发者提供了更灵活的配置选项。
多语言邮件模板支持
本次更新最显著的特性是引入了多语言邮件模板的自定义功能。通过管理API,管理员现在可以为不同类型的邮件(如登录验证、密码重置等)创建和管理多种语言的模板。系统会根据用户的偏好语言自动选择合适的模板,如果找不到匹配的语言版本,则会回退到默认模板。
邮件模板的选择逻辑遵循以下优先级:
- 首先匹配请求中检测到的用户偏好语言
- 其次匹配登录体验设置中的默认语言
- 最后使用邮件连接器设置中的默认模板
管理API新增了多个端点来支持这一功能,包括批量创建/更新模板、按条件筛选模板列表、删除模板等操作。值得注意的是,部分邮件连接器(如Postmark和HTTP Email)由于模板管理在提供商端,不支持从Logto读取模板,而是将用户语言偏好作为参数传递给提供商。
邮件模板上下文变量增强
为了支持更个性化的邮件内容,v1.25.0引入了丰富的上下文变量。开发者现在可以在模板中使用以下变量:
- 用户信息(姓名、主邮箱等)
- 应用信息(名称、logo等)
- 组织信息(名称、logo等)
- 邀请人信息(适用于组织邀请场景)
这些变量根据不同的使用场景(登录、注册、密码找回等)提供相应的上下文信息,使邮件内容更加贴合实际使用场景。
密码加密方案改进
在安全方面,v1.25.0新增了对传统密码哈希算法的支持。开发者现在可以将password_encryption_method设置为"legacy",并使用JSON格式存储包含哈希算法、参数和加密密码的信息。这一改进特别适用于需要从其他密码哈希算法迁移的场景,尤其是那些包含盐值的算法。
JSON格式示例如下:
["hash_algorithm", ["argument1", "argument2", ...], "expected_hashed_value"]
其中"@"符号代表输入密码,系统会根据配置的算法和参数进行验证。
其他重要改进
-
SAML断言响应增强:为SAML应用断言响应添加了AuthnStatement,提高了兼容性。
-
TOTP密钥长度调整:将TOTP密钥生成长度调整为20字节(160位),遵循RFC 6238和RFC 4226的建议标准,提供更好的安全性同时保持与现有验证器的兼容性。
-
组织角色管理API增强:支持通过角色名称和ID两种方式管理组织用户角色,提高了API的灵活性。
-
分页行为修复:修复了组织角色范围API的分页行为,现在当不提供分页参数时会返回所有范围,提供分页参数时则支持可选分页。
-
Handlebars模板处理增强:改进了邮件模板中的变量处理逻辑,支持嵌套属性访问(如organization.branding.logoUrl),并优雅处理缺失属性。
总结
Logto v1.25.0通过引入多语言邮件模板支持和增强的安全功能,进一步提升了其作为身份认证解决方案的灵活性和安全性。这些改进使开发者能够为用户提供更本地化、更个性化的认证体验,同时也为系统集成提供了更多可能性。特别是对传统密码哈希算法的支持,为系统迁移提供了便利,体现了Logto对实际应用场景的深入理解。
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