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。
atomcodeClaude Code 的开源替代方案。连接任意大模型,编辑代码,运行命令,自动验证 — 全自动执行。用 Rust 构建,极致性能。 | An open-source alternative to Claude Code. Connect any LLM, edit code, run commands, and verify changes — autonomously. Built in Rust for speed. Get StartedRust0201
cann-learning-hubCANN 学习中心仓,支持在线互动运行、边学边练,提供教程、示例与优化方案,一站式助力昇腾开发者快速上手。Jupyter Notebook0130
MiMo-V2.5-Pro-FP4-DFlashMiMo-V2.5-Pro-FP4-DFlash 是驱动 MiMo-V2.5-Pro-UltraSpeed 的底层模型: FP4 量化骨干网络:对 MoE 专家采用 MXFP4 量化,同时保持模型其他部分的更高精度,在几乎无损质量的前提下,显著减小模型体积并降低内存带宽压力。 BF16 DFlash 草稿生成器:用于块扩散推测解码,每次前向传播可生成一整个块的 tokens,并让骨干网络一步完成验证。 两者协同作用,既降低了每参数的位宽,又减少了骨干网络前向传播的次数,而这两者正是万亿参数模型解码过程中的两大主要成本来源。Python00
JoyAI-EchoJoyAI-Echo,这是一个独立的、仅用于推理的版本,旨在实现分钟级多镜头音视频生成。它采用了经过蒸馏的DMD生成器、配对的跨模态记忆以及故事级别的一致性。其性能的核心在于,一个跨模态视听记忆库能够在长达五分钟的视频中保持角色外观和语音音色的一致性。同时,一个训练后处理流程将基于记忆的强化学习与分布匹配蒸馏相结合,实现了7.5倍的速度提升,显著增强了视觉质量和对齐效果。00
AstrBot✨ 易上手的多平台 LLM 聊天机器人及开发框架 ✨ 平台支持 QQ、QQ频道、Telegram、微信、企微、飞书 | OpenAI、DeepSeek、Gemini、硅基流动、月之暗面、Ollama、OneAPI、Dify 等。附带 WebUI。Python08
handy-ollama动手学Ollama,CPU玩转大模型部署,在线阅读地址:https://datawhalechina.github.io/handy-ollama/Jupyter Notebook07