Nautobot 2.4.0版本发布:网络自动化平台的重大升级
Nautobot是一个开源的网络自动化平台,旨在帮助网络工程师和运维团队更好地管理网络基础设施。作为NetBox项目的分支,Nautobot在原有基础上进行了大量功能增强和架构改进,提供了更强大的数据模型、API接口和扩展能力。
核心功能增强
虚拟设备上下文模型
Nautobot 2.4.0引入了VirtualDeviceContext数据模型,用于模拟物理网络设备的逻辑分区。这一功能特别适用于支持Cisco Nexus VDC、Juniper Logical Systems和Arista Multi-instance EOS等技术的网络环境。通过新的InterfaceVDCAssignment模型,用户可以将设备接口与虚拟设备上下文关联起来,实现更精细的网络设备管理。
无线网络数据模型
本次更新新增了WirelessNetwork、RadioProfile和SupportedDataRate等数据模型,使Nautobot能够更好地管理校园无线网络。同时,Controller和ControllerManagedDeviceGroup模型也获得了功能增强,为无线网络管理提供了更全面的支持。
平台功能改进
事件发布框架
Nautobot 2.4.0引入了一个通用的事件发布框架,可以将系统事件通知发布到Redis、Kafka、syslog等外部系统。该框架采用抽象的EventBroker API设计,可以轻松扩展以支持各种消息代理。
系统目前发布的事件包括:
- 数据模型操作事件(创建/更新/删除)
- 用户交互事件(登录/登出/密码修改)
- 作业相关事件(开始/完成/审批通过/拒绝)
应用开发者可以利用这一框架发布与应用相关的自定义事件,实现更灵活的系统集成。
Kubernetes作业执行支持
在Kubernetes部署环境中,Nautobot现在支持将作业作为Kubernetes Job Pod运行,作为传统Celery Worker的替代方案。这一功能通过新的JobQueue模型实现,可以定义Celery任务队列或Kubernetes作业队列。
作业开发者需要注意,Job.task_queues字段已被弃用,应改用Job.job_queues关系。这一改进为作业执行提供了更大的灵活性和可扩展性。
开发者体验优化
UI组件框架
新引入的UI组件框架通过Python API定义Nautobot UI部分,减少了自定义HTML模板的需求。该框架特别优化了对象"详情"视图的构建,显著降低了样板代码量,提高了视图间的一致性,并促进了代码重用。
在2.4.0版本中,Circuit、Cluster Type、Device等多个核心模型的详情视图已迁移至新框架。应用开发者应相应调整其模板扩展实现。
REST API性能优化
新增的exclude_m2m查询参数可以避免API检索和序列化多对多关系,在某些情况下能显著提高API性能并降低内存和网络开销。DynamicModelChoiceField及相关表单字段也已优化,在填充选项时使用这一参数,提高了表单响应速度。
升级注意事项
Python版本要求
Nautobot 2.4.0不再支持Python 3.8,最低要求为Python 3.9。使用Python 3.8的环境需要在升级前先升级Python版本。
作业日志级别
作业现在支持success日志级别,开发者可以使用self.logger.success()方法记录成功信息,这些信息会在作业结果视图中以特定样式显示。
单例作业
作业开发者现在可以设置作业只允许单次并发执行,防止数据同步等关键作业意外重复运行导致数据问题。
用户体验改进
应用市场
新增的应用市场页面展示了可用的Nautobot应用信息,同时已安装应用页面也新增了类似应用市场的磁贴视图选项,提升了应用管理的便利性。
用户时区支持
用户现在可以通过个人资料中的用户偏好设置配置首选显示时区,Nautobot会根据用户设置显示日期和时间,提高了多时区团队的使用体验。
Jinja2模板渲染工具
新增的Jinja2模板渲染工具允许用户直接在UI中渲染模板,支持自定义模板体和上下文数据。相应的REST API端点也已添加,方便应用集成和模板开发验证。
总结
Nautobot 2.4.0版本在网络自动化功能、平台架构和开发者体验等方面都带来了显著提升。从虚拟设备和无线网络管理,到全新的事件发布框架和Kubernetes作业支持,再到优化的UI组件框架和API性能,这一版本为网络自动化工作流提供了更强大、更灵活的工具集。
对于现有用户,建议仔细阅读升级指南,特别是Python版本要求和作业队列变更等关键点。开发者则应重点关注新引入的UI组件框架和事件发布API,这些改进将显著简化应用开发工作。
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