ABP框架9.1.0-rc.3版本发布:分布式事件总线与权限管理优化
ABP框架是一个基于ASP.NET Core的开源应用程序框架,它提供了一整套企业级应用程序开发所需的模块和工具。ABP框架通过模块化设计、领域驱动开发(DDD)和多租户支持等特性,帮助开发者快速构建高质量的应用程序。
分布式事件总线增强
本次发布的9.1.0-rc.3版本对LocalDistributedEventBus进行了重要改进,使其能够支持outbox/inbox模式。这种模式是分布式系统中处理事件的常用模式,能够确保事件在系统故障时不会丢失,并保证事件的最终一致性。
outbox模式将事件先保存在数据库的事务中,然后再异步发布到消息队列;而inbox模式则确保事件在被处理前先被持久化。这两种模式的结合使用可以大大提高分布式系统的可靠性,特别是在微服务架构中。
权限管理逻辑重构
权限管理模块进行了重要重构,修复了"授予所有权限"功能的问题。新的实现更加健壮,能够正确处理各种权限分配场景。权限系统是ABP框架的核心功能之一,它支持基于角色和用户的细粒度权限控制,这次改进使得权限管理更加可靠和灵活。
身份验证错误本地化
框架新增了自定义的IdentityErrorDescriber来实现本地化的错误消息。这意味着当用户在进行身份验证操作(如注册、登录、密码重置等)遇到错误时,系统会返回用户本地语言的错误提示,大大提升了用户体验。
Angular前端改进
Angular前端部分也进行了多项改进:
- 修复了树形节点选择问题,使得在组织单元、菜单管理等场景下的树形结构操作更加流畅
- 解决了权限模态框中的筛选bug,提升了权限管理的用户体验
- 修正了SaaS代理生成的导入问题,确保模块间的正确依赖关系
- 修复了eslint依赖问题,提高了前端开发体验
数据库连接改进
连接字符串检查器进行了重构,现在会在try块中初始化连接设置。这种改进使得数据库连接处理更加健壮,能够更好地处理连接异常情况,提高了应用程序的稳定性。
其他重要更新
- 更新了Pomelo.EntityFrameworkCore.MySql到9.0.0-preview.3版本,为MySQL数据库提供更好的支持
- 移除了对datatables.net的兼容代码,简化了前端依赖
- 更新了账户模块文档,并增加了AbpAccountOptions的附加属性
- 修复了多处翻译文本缺失问题,提高了国际化支持
总结
ABP框架9.1.0-rc.3版本虽然在功能上没有重大新增,但对现有功能的稳定性和可靠性进行了大量改进。特别是分布式事件总线的outbox/inbox模式支持、权限管理逻辑的重构以及身份验证错误的本地化,都是对框架核心功能的重要增强。这些改进使得ABP框架在企业级应用开发中更加可靠和易用。
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