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。
ERNIE-4.5-VL-28B-A3B-ThinkingERNIE-4.5-VL-28B-A3B-Thinking 是 ERNIE-4.5-VL-28B-A3B 架构的重大升级,通过中期大规模视觉-语言推理数据训练,显著提升了模型的表征能力和模态对齐,实现了多模态推理能力的突破性飞跃Python00
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
MiniMax-M2MiniMax-M2是MiniMaxAI开源的高效MoE模型,2300亿总参数中仅激活100亿,却在编码和智能体任务上表现卓越。它支持多文件编辑、终端操作和复杂工具链调用Python00
HunyuanVideo-1.5暂无简介00
MiniCPM-V-4_5MiniCPM-V 4.5 是 MiniCPM-V 系列中最新且功能最强的模型。该模型基于 Qwen3-8B 和 SigLIP2-400M 构建,总参数量为 80 亿。与之前的 MiniCPM-V 和 MiniCPM-o 模型相比,它在性能上有显著提升,并引入了新的实用功能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
GOT-OCR-2.0-hf阶跃星辰StepFun推出的GOT-OCR-2.0-hf是一款强大的多语言OCR开源模型,支持从普通文档到复杂场景的文字识别。它能精准处理表格、图表、数学公式、几何图形甚至乐谱等特殊内容,输出结果可通过第三方工具渲染成多种格式。模型支持1024×1024高分辨率输入,具备多页批量处理、动态分块识别和交互式区域选择等创新功能,用户可通过坐标或颜色指定识别区域。基于Apache 2.0协议开源,提供Hugging Face演示和完整代码,适用于学术研究到工业应用的广泛场景,为OCR领域带来突破性解决方案。00