Sentry JavaScript SDK 9.9.0版本发布:浏览器日志与链路追踪增强
Sentry是一个开源的应用程序监控平台,专注于错误跟踪和性能监控。其JavaScript SDK为前端和后端JavaScript应用提供了强大的错误捕获和性能分析能力。最新发布的9.9.0版本带来了多项重要改进,特别是在浏览器日志记录和分布式追踪方面。
核心功能增强
浏览器日志记录支持
9.9.0版本为浏览器端引入了全新的日志记录API,开发者现在可以通过Sentry.logger方法直接记录结构化日志:
Sentry.init({
dsn: 'your-dsn-here',
_experiments: {
enableLogs: true, // 必须启用实验性功能才能使用日志
},
});
// 记录不同级别的日志
Sentry.logger.info('用户登录成功', { userId: 123 });
Sentry.logger.warn('API响应缓慢', { endpoint: '/api/data' });
Sentry.logger.error('数据加载失败', { error: err });
这一功能为即将推出的Sentry日志产品奠定了基础,使开发者能够统一管理应用的错误、性能指标和日志数据。
分布式追踪改进
在分布式追踪方面,新版本增加了跨trace的链路连接功能。当一个新的trace开始时,SDK会自动创建与之前trace的关联:
Sentry.init({
integrations: [
Sentry.browserTracingIntegration({
linkPreviousTrace: 'in-memory', // 可选: 'in-memory'(默认)|'session-storage'|'off'
}),
],
});
这一改进使得在复杂的单页应用(SPA)中,用户跨页面或长时间会话的完整旅程能够被更好地追踪和分析。
Next.js集成优化
针对Next.js框架,9.9.0版本提前支持了即将发布的instrumentation-client.ts特性。开发者现在可以将原有的sentry.client.config.ts迁移到这个新文件中,或者将配置内容合并到现有的instrumentation-client.ts中。
这一变化确保了SDK与Next.js未来版本的兼容性,同时也为开发者提供了更灵活的客户端配置方式。
性能优化
9.9.0版本对核心功能进行了多项性能优化:
- 优化了
dropUndefinedKeys方法的执行效率,减少了不必要的对象遍历 - 移除了NestJS集成中非可枚举属性的使用,提升了框架兼容性
- 改进了Nuxt.js集成,移除了不必要的Nitro 'close'钩子
这些优化使得SDK在运行时更加高效,特别是在高频监控场景下能够减少对应用性能的影响。
错误处理增强
新版本对浏览器中的"Failed to fetch"错误进行了增强处理,现在会自动附加请求的主机信息到错误消息中。这使得在Sentry面板中能够更直观地识别出问题的网络请求来源。
对于Node.js环境,Fastify框架现在支持自定义的shouldHandleError回调,开发者可以更灵活地控制哪些错误需要被捕获和上报。
总结
Sentry JavaScript SDK 9.9.0版本通过引入日志记录API、增强分布式追踪能力、优化框架集成和提升性能,为开发者提供了更全面的应用监控解决方案。特别是浏览器日志功能的加入,标志着Sentry正在向更完整的可观测性平台演进。对于使用Next.js、Nuxt.js等现代前端框架的团队,这一版本提供了更好的兼容性和更优的性能表现。
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