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。
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
GLM-4.7-FlashGLM-4.7-Flash 是一款 30B-A3B MoE 模型。作为 30B 级别中的佼佼者,GLM-4.7-Flash 为追求性能与效率平衡的轻量化部署提供了全新选择。Jinja00
VLOOKVLOOK™ 是优雅好用的 Typora/Markdown 主题包和增强插件。 VLOOK™ is an elegant and practical THEME PACKAGE × ENHANCEMENT PLUGIN for Typora/Markdown.Less00
PaddleOCR-VL-1.5PaddleOCR-VL-1.5 是 PaddleOCR-VL 的新一代进阶模型,在 OmniDocBench v1.5 上实现了 94.5% 的全新 state-of-the-art 准确率。 为了严格评估模型在真实物理畸变下的鲁棒性——包括扫描伪影、倾斜、扭曲、屏幕拍摄和光照变化——我们提出了 Real5-OmniDocBench 基准测试集。实验结果表明,该增强模型在新构建的基准测试集上达到了 SOTA 性能。此外,我们通过整合印章识别和文本检测识别(text spotting)任务扩展了模型的能力,同时保持 0.9B 的超紧凑 VLM 规模,具备高效率特性。Python00
KuiklyUI基于KMP技术的高性能、全平台开发框架,具备统一代码库、极致易用性和动态灵活性。 Provide a high-performance, full-platform development framework with unified codebase, ultimate ease of use, and dynamic flexibility. 注意:本仓库为Github仓库镜像,PR或Issue请移步至Github发起,感谢支持!Kotlin07
compass-metrics-modelMetrics model project for the OSS CompassPython00