VoltAgent核心库0.1.31版本发布:Node.js支持升级与检索上下文增强
VoltAgent是一个专注于构建智能代理和检索系统的开源项目,其核心库提供了构建智能代理所需的基础组件和工具链。本次发布的0.1.31版本带来了两项重要改进:Node.js运行时支持升级和检索器上下文功能的增强。
Node.js运行时支持升级
在0.1.31版本中,VoltAgent核心库正式放弃了对Node.js v18的支持。这一变更反映了现代JavaScript生态系统的演进趋势,同时也为开发者带来了更稳定和高效的运行时环境。
Node.js作为JavaScript的服务器端运行时,其版本迭代速度较快。放弃对较旧版本的支持可以让开发团队集中精力优化对新特性的支持,同时减少兼容性代码的维护成本。对于仍在使用Node.js v18的项目,建议尽快升级到最新的LTS版本,以获得更好的性能和安全更新。
检索器上下文功能增强
本次更新的亮点在于为检索器(Retriever)增加了userContext支持,这一改进极大地增强了检索系统的可追溯性和灵活性。
在信息检索系统中,检索器负责根据用户输入查找相关文档或数据片段。传统实现往往只关注返回内容本身,而忽略了检索过程的元数据。新版本通过userContext机制,允许检索器存储和传递额外的上下文信息,如参考文献、数据来源、引用信息等。
技术实现解析
新功能通过RetrieveOptions中的userContext属性实现,这是一个键值存储结构。检索器可以在处理请求时,将相关元数据存入其中:
options.userContext.set("references", references);
这些上下文信息会随着处理流程传递,最终可以在代理生成的响应中获取:
const references = response.userContext?.get("references");
应用场景
这一特性为多种高级应用场景提供了可能:
- 学术引用系统:自动标注回答所依据的文献来源,方便学术写作和验证
- 审计追踪:完整记录回答生成过程中参考的所有文档,满足合规性要求
- 可信度评估:通过分析参考来源的质量和相关性,评估回答的可信度
- 调试优化:开发者可以直观了解系统检索了哪些内容,便于优化检索策略
实现建议
开发者可以继承BaseRetriever基类,在自定义检索器中实现上下文存储逻辑。例如,一个支持文献引用的检索器可以这样实现:
class AcademicRetriever extends BaseRetriever {
async retrieve(input: string, options: RetrieveOptions) {
const papers = this.searchAcademicPapers(input);
const citations = papers.map(paper => ({
title: paper.title,
authors: paper.authors,
publication: paper.journal,
year: paper.year
}));
options.userContext.set("citations", citations);
return papers.map(p => p.abstract).join("\n\n");
}
}
升级建议
对于现有项目,升级到0.1.31版本需要注意:
- 确保运行环境使用Node.js v18以上版本
- 检查自定义检索器实现,考虑是否需要添加上下文支持
- 评估现有代码中对响应对象的处理,可能需要调整以获取userContext中的数据
这次更新虽然包含破坏性变更(Node.js v18支持移除),但带来的检索上下文功能为构建更透明、可追溯的智能系统提供了坚实基础。特别是对于需要严格来源验证的应用场景,这一特性将大幅降低实现复杂度。
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- QQwen3-Coder-Next2026年2月4日,正式发布的Qwen3-Coder-Next,一款专为编码智能体和本地开发场景设计的开源语言模型。Python00
xw-cli实现国产算力大模型零门槛部署,一键跑通 Qwen、GLM-4.7、Minimax-2.1、DeepSeek-OCR 等模型Go06
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!Kotlin08
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