Ring客户端API 14.0.0版本发布:重大升级与功能增强
Ring客户端API是一个用于与Ring智能家居设备交互的JavaScript库,它提供了与Ring门铃、摄像头、安全系统等设备通信的能力。这个开源项目让开发者能够构建自己的Ring设备控制应用或集成到现有智能家居平台中。
重大变更
放弃Node 18支持
随着Node.js 18版本达到生命周期终点,Ring客户端API 14.0.0版本不再支持该Node版本。这是技术栈维护的常规操作,确保项目能够利用最新的Node.js特性和安全更新。开发者需要将运行环境升级到Node.js 20或更高版本才能使用此版本。
项目转为ESM模块
14.0.0版本将整个项目从CommonJS迁移到了ESM(ECMAScript Modules)模块系统。这一变化反映了JavaScript生态系统的现代发展趋势,ESM提供了更好的静态分析能力、更清晰的模块边界和浏览器兼容性。对于使用该库的项目来说,如果希望升级到最新版本,也需要将项目转为使用ESM模块系统。
功能增强
新型设备支持
本次更新增加了对两款新型Ring设备的支持:
- Battery Video Doorbell Pro - Ring的电池供电专业版视频门铃
- Battery Video Doorbell Plus - 电池供电的增强版视频门铃
这意味着开发者现在可以通过API与这些最新设备进行交互,获取视频流、接收通知等。
门铃通知功能优化
针对特定型号的门铃(门铃_graham_cracker),更新优化了录制过程中的快照处理逻辑。这一改进使得这些设备在homebridge等智能家居平台中能够更可靠地发送通知,提升了用户体验。
技术改进
WebSocket连接升级
14.0.0版本使用undici替代了原有的WebSocket实现,这一变化带来了多重好处:
- 解决了报警系统和灯光集线器的WebSocket连接问题
- 移除了过时的socket.io客户端依赖
- 提升了连接稳定性和性能
TypeScript类型优化
对TypeScript类型定义进行了清理和优化,特别是将枚举类型替换为对象和联合类型。这一变更使得类型系统更加精确,同时减少了运行时开销,虽然对现有TypeScript项目会有轻微影响,但带来了更好的类型安全性和开发体验。
依赖更新
项目维护团队持续关注依赖库的更新,本次发布包含了多项依赖升级,确保项目安全性并利用最新功能。这些更新包括但不限于:
- 安全相关的依赖更新
- 性能优化库版本升级
- 开发工具链改进
总结
Ring客户端API 14.0.0版本是一个重要的里程碑,它不仅跟进了JavaScript生态的最新发展(ESM模块),还通过技术债务清理和功能增强提升了整体稳定性和可用性。对于智能家居开发者来说,这次更新意味着更强大的设备支持能力和更可靠的API行为,为构建更复杂的Ring设备集成应用奠定了基础。
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-w4a8GLM-5-w4a8基于混合专家架构,专为复杂系统工程与长周期智能体任务设计。支持单/多节点部署,适配Atlas 800T A3,采用w4a8量化技术,结合vLLM推理优化,高效平衡性能与精度,助力智能应用开发Jinja00
请把这个活动推给顶尖程序员😎本次活动专为懂行的顶尖程序员量身打造,聚焦AtomGit首发开源模型的实际应用与深度测评,拒绝大众化浅层体验,邀请具备扎实技术功底、开源经验或模型测评能力的顶尖开发者,深度参与模型体验、性能测评,通过发布技术帖子、提交测评报告、上传实践项目成果等形式,挖掘模型核心价值,共建AtomGit开源模型生态,彰显顶尖程序员的技术洞察力与实践能力。00
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
MiniMax-M2.5MiniMax-M2.5开源模型,经数十万复杂环境强化训练,在代码生成、工具调用、办公自动化等经济价值任务中表现卓越。SWE-Bench Verified得分80.2%,Multi-SWE-Bench达51.3%,BrowseComp获76.3%。推理速度比M2.1快37%,与Claude Opus 4.6相当,每小时仅需0.3-1美元,成本仅为同类模型1/10-1/20,为智能应用开发提供高效经济选择。【此简介由AI生成】Python00
Qwen3.5Qwen3.5 昇腾 vLLM 部署教程。Qwen3.5 是 Qwen 系列最新的旗舰多模态模型,采用 MoE(混合专家)架构,在保持强大模型能力的同时显著降低了推理成本。00- RRing-2.5-1TRing-2.5-1T:全球首个基于混合线性注意力架构的开源万亿参数思考模型。Python00