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-5.1GLM-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
atomcodeAn open-source alternative to Claude Code. Connect any LLM, edit code, run commands, and verify changes — autonomously. Built in Rust for speed. Get StartedRust021
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