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。
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