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。
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