AdGuard浏览器扩展中Scriptlets日志记录失效问题分析
问题背景
在AdGuard浏览器扩展的最新版本中,开发团队发现了一个关于脚本片段(scriptlets)日志记录功能的异常情况。脚本片段是AdGuard过滤规则中一种强大的工具,允许开发者通过特定的JavaScript代码片段来修改网页行为。然而,在5.0.113版本中,这些脚本片段的执行虽然有效,但相关的日志记录功能却未能正常工作。
问题现象
当用户在过滤规则中添加类似example.com#%#//scriptlet('set-constant', 'test', 'true')这样的脚本片段规则时,规则能够正确执行并修改目标网页的行为(如成功将test变量设置为true),但在AdGuard的过滤日志中却无法看到这条规则被触发的记录。这意味着虽然功能正常,但管理员无法通过日志追踪这些脚本片段规则的执行情况。
技术分析
脚本片段是AdGuard过滤系统的核心功能之一,它允许通过注入特定的JavaScript代码来修改网页环境。这类规则通常以#%#开头,包含一个脚本片段名称和参数列表。在正常情况下,每当一个脚本片段规则被匹配并执行时,AdGuard应该在过滤日志中记录这一事件。
日志记录功能的缺失可能源于以下几个技术环节:
-
日志记录机制未正确集成:可能在代码重构过程中,脚本片段的执行与日志系统之间的连接出现了断裂。
-
事件触发逻辑问题:脚本片段执行后,可能没有正确触发日志记录所需的事件或回调。
-
版本兼容性问题:特别是在从MV2向MV3架构迁移的过程中,某些API的变更可能导致日志功能失效。
影响评估
这个问题虽然不影响核心过滤功能,但对以下方面产生了负面影响:
-
调试困难:开发者无法通过日志确认脚本片段是否被正确应用。
-
统计缺失:无法统计脚本片段规则的使用频率和效果。
-
维护障碍:在复杂规则集中难以追踪特定脚本片段的行为。
解决方案
开发团队在收到问题报告后迅速响应,确认了问题根源并实施了修复。修复方案可能涉及:
-
确保日志钩子正确挂接:在脚本片段执行流程中重新建立与日志系统的连接。
-
完善事件触发机制:确保每次脚本片段执行都能触发相应的日志事件。
-
全面测试验证:不仅验证功能修复,还确保不影响其他相关功能。
修复版本
该问题已在AdGuard浏览器扩展的5.0-mv3 patch 3版本中得到修复。用户升级到该版本后,可以正常看到脚本片段规则在过滤日志中的记录。
最佳实践建议
对于使用脚本片段规则的用户和开发者,建议:
-
定期检查日志:确认脚本片段规则是否按预期记录。
-
版本更新意识:及时升级到修复版本以获得完整功能。
-
测试验证:在部署重要脚本片段规则前,通过日志验证其执行情况。
通过这次问题的发现和修复,AdGuard团队进一步强化了其过滤系统的可靠性,确保了用户能够全面掌握所有过滤规则的执行情况。
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