Hilla 24.7.0 版本发布:全面升级的全栈开发体验
Hilla 是一个现代化的全栈开发框架,它无缝连接了 Java 后端和 TypeScript 前端,让开发者能够高效构建企业级 Web 应用。最新发布的 Hilla 24.7.0 版本带来了一系列重要改进和新特性,显著提升了开发体验和功能完整性。
核心架构改进
本次版本最显著的架构变化是改进了 TypeScript 生成的机制。Hilla 现在完全依赖 Spring 框架来发现 @BrowserCallable 和 @Endpoint 注解的类,取代了之前独立的类路径扫描机制。这一变化带来了几个重要优势:
- 简化配置:不再需要维护两套类路径配置(Spring 和 Hilla 各一套),减少了配置复杂性
- 提高可靠性:完全依赖 Spring 的成熟机制,减少了潜在的兼容性问题
- 性能优化:移除了额外的构建工具执行步骤,加快了构建速度
开发者需要注意,现在所有浏览器可调用的服务都必须是 Spring 管理的 Bean。如果服务定义在依赖或其他包中,必须确保它们被包含在 Spring 的组件扫描范围内。
文件上传支持
Hilla 24.7.0 新增了对文件上传的原生支持。开发者现在可以:
- 在 Java 后端使用
MultipartFile作为参数类型 - 在前端 TypeScript 代码中使用
File类型作为对应参数 - 轻松实现文件上传功能而无需处理底层细节
这一特性大大简化了文件处理相关功能的开发流程,让开发者能够更专注于业务逻辑的实现。
注解支持增强
在类型安全和空值处理方面,Hilla 24.7.0 做了重要改进:
- 标准化注解支持:新增对 Spring 和 JSpecify 标准
@Nullable和@NonNull注解的支持 - 注解迁移:Hilla 原有的空值注解被标记为废弃,建议迁移到标准注解
- Kotlin 支持:Gradle 插件现在会自动添加编译器参数以支持 Kotlin 中的空值性和验证注解
这些改进使得代码更加标准化,提高了与其他 Java 生态系统的互操作性。
数据绑定与UI集成
Hilla 24.7.0 在数据绑定和UI组件集成方面做了多项增强:
-
专用钩子函数:
useGridDataProvider:简化 Grid 组件与服务端的连接useComboBoxDataProvider:优化 ComboBox 与后端数据的集成
-
表单验证改进:
- 为日期组件提供了更好的非可解析输入验证反馈
- 增强了整体表单验证的用户体验
-
AutoCrud 增强:
- 自动遵守 Spring 的最大分页大小限制
- 支持移除新建按钮的配置选项
这些改进使得前端组件与后端服务的集成更加无缝,减少了样板代码,提高了开发效率。
响应式编程增强
在响应式编程方面,Hilla 24.7.0 引入了几个实用功能:
- 静默调用选项:新增
mute调用选项,允许绕过内置的进度指示器 - 错误处理增强:
onError响应式订阅回调现在支持错误消息参数 - 实验性支持:客户端默认值现在变为可选参数,提供了更大的灵活性
这些改进使得异步编程更加灵活和强大,能够更好地处理各种边缘情况。
总结
Hilla 24.7.0 是一个功能丰富的版本,它在架构简化、功能增强和开发者体验方面都做出了重要改进。从文件上传支持到标准化注解,从数据绑定优化到响应式编程增强,这些变化共同提升了 Hilla 作为全栈开发框架的成熟度和实用性。
对于现有项目,建议评估这些变化对代码的影响,特别是关于类路径扫描和空值注解的变更。新项目则可以充分利用这些新特性,构建更加健壮和高效的 Web 应用。
随着 Hilla 框架的持续演进,它为 Java 和 TypeScript 全栈开发提供了越来越完善的支持,是企业级应用开发的强大选择。
GLM-5智谱 AI 正式发布 GLM-5,旨在应对复杂系统工程和长时域智能体任务。Jinja00
GLM-5.1GLM-5.1是智谱迄今最智能的旗舰模型,也是目前全球最强的开源模型。GLM-5.1大大提高了代码能力,在完成长程任务方面提升尤为显著。和此前分钟级交互的模型不同,它能够在一次任务中独立、持续工作超过8小时,期间自主规划、执行、自我进化,最终交付完整的工程级成果。Jinja00
MiniMax-M2.7MiniMax-M2.7 是我们首个深度参与自身进化过程的模型。M2.7 具备构建复杂智能体应用框架的能力,能够借助智能体团队、复杂技能以及动态工具搜索,完成高度精细的生产力任务。Python00- QQwen3.5-397B-A17BQwen3.5 实现了重大飞跃,整合了多模态学习、架构效率、强化学习规模以及全球可访问性等方面的突破性进展,旨在为开发者和企业赋予前所未有的能力与效率。Jinja00
HY-Embodied-0.5这是一套专为现实世界具身智能打造的基础模型。该系列模型采用创新的混合Transformer(Mixture-of-Transformers, MoT) 架构,通过潜在令牌实现模态特异性计算,显著提升了细粒度感知能力。Jinja00
LongCat-AudioDiT-1BLongCat-AudioDiT 是一款基于扩散模型的文本转语音(TTS)模型,代表了当前该领域的最高水平(SOTA),它直接在波形潜空间中进行操作。00