Solon v3.3.1 发布:Java 轻量级应用框架的智能化升级
Solon 是一个轻量级的 Java 应用开发框架,它以其简洁的设计理念和高效的性能著称。Solon 框架提供了完整的 Web 开发支持,包括 MVC、RPC、事务处理等核心功能,同时保持了极低的学习曲线和资源占用。在最新发布的 v3.3.1 版本中,Solon 进一步强化了其在 AI 领域的集成能力,并带来了多项功能增强和优化。
核心功能增强
AI 能力扩展
本次更新最引人注目的是对 AI 相关功能的全面增强。新增的 solon-ai-flow 和 solon-ai-load-ddl 插件为开发者提供了更强大的 AI 流程控制能力。特别是新增的 solon-flow-designer 设计器工具,使得可视化编排 AI 流程成为可能,大大降低了 AI 集成的门槛。
在 AI 核心模块方面,solon-ai-core 增加了对网络代理的全面支持,开发者可以通过简单配置或复杂构建两种方式灵活地设置代理。同时,ChatSession 类新增了多种消息添加方式,包括支持 ChatPrompt 和集合类型的消息添加,使得对话管理更加灵活。
工具类与注解增强
框架基础工具类得到了多项增强。新增的 LazyReference 类实现了懒加载引用模式,有助于优化资源密集型对象的初始化时机。RunUtil 类新增的 callAndTry 方法为开发者提供了更便捷的异常处理方式。
注解支持方面,@Ds 注解现在可以应用于类级别,简化了数据源配置。安全模块新增的 @AuthIgnore 注解使得特定接口的权限控制更加灵活。
性能与兼容性优化
核心框架优化
Solon 核心框架在本次更新中进行了多项性能优化。MethodHandler 的 MethodWrap 实例化过程不再依赖 solon.app,这使得框架在非容器环境下也能正常运行,提高了框架的适应性。
ContextPathFilter 修复了无效地址处理的问题,现在能够正确返回 404 状态码,增强了框架的健壮性。setAccessible 方法的异常控制也得到了优化,提高了反射操作的安全性。
网络通信优化
网络通信组件进行了多项改进。solon-net-httputils 优化了 202 重试处理和 3xx 跳转处理逻辑,增强了网络请求的可靠性。SSE 流式处理和行流式处理现在能够显示错误消息,提高了调试便利性。
gRPC 插件新增了对流式存根的支持,使得基于 gRPC 的流式消息收发成为可能,为实时通信场景提供了更好的支持。
开发者体验提升
MVC 改进
ActionExecuteHandler 现在使用 LazyReference 延迟表单解析,这一改进使得开发者可以更灵活地处理请求体,特别是对于需要原始流读取的场景。同时,nami 组件增加了对 @Path 注解的支持,简化了 RESTful 接口的定义。
AI 开发体验
solon-ai-mcp 模块进行了多项改进以提升开发者体验。现在支持检查原语是否存在的方法,开发者可以更方便地验证工具、提示语和资源是否存在。提示语支持将 UserMessage 拆解成多条 MCP 内容,特别是当同时包含媒体和文本时,这一特性非常实用。
资源模板的响应适配和结果转换处理的支持,使得 AI 接口的返回值处理更加灵活。新增的 getResourceTemplates 方法为资源管理提供了更多便利。
总结
Solon v3.3.1 版本在保持框架轻量级特性的同时,大幅增强了 AI 相关能力,为开发者构建智能化应用提供了更强大的工具集。从核心框架优化到开发者体验提升,这一版本在多方面都做出了有价值的改进。特别是新增的流程设计器和增强的 AI 集成能力,使得 Solon 在现代应用开发领域更具竞争力。对于正在寻找高效、轻量且具备 AI 能力的 Java 框架的开发者来说,Solon v3.3.1 无疑是一个值得考虑的选择。
ERNIE-4.5-VL-28B-A3B-ThinkingERNIE-4.5-VL-28B-A3B-Thinking 是 ERNIE-4.5-VL-28B-A3B 架构的重大升级,通过中期大规模视觉-语言推理数据训练,显著提升了模型的表征能力和模态对齐,实现了多模态推理能力的突破性飞跃Python00
unified-cache-managementUnified Cache Manager(推理记忆数据管理器),是一款以KV Cache为中心的推理加速套件,其融合了多类型缓存加速算法工具,分级管理并持久化推理过程中产生的KV Cache记忆数据,扩大推理上下文窗口,以实现高吞吐、低时延的推理体验,降低每Token推理成本。Python03
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
Spark-Prover-7BSpark-Prover-7B is a 7B-parameter large language model developed by iFLYTEK for automated theorem proving in Lean4. It generates complete formal proofs for mathematical theorems using a three-stage training framework combining pre-training, supervised fine-tuning, and reinforcement learning. The model achieves strong formal reasoning performance and state-of-the-art results across multiple theorem-proving benchmarksPython00
MiniCPM-V-4_5MiniCPM-V 4.5 是 MiniCPM-V 系列中最新且功能最强的模型。该模型基于 Qwen3-8B 和 SigLIP2-400M 构建,总参数量为 80 亿。与之前的 MiniCPM-V 和 MiniCPM-o 模型相比,它在性能上有显著提升,并引入了新的实用功能Python00
Spark-Formalizer-7BSpark-Formalizer-7B is a 7B-parameter large language model by iFLYTEK for mathematical auto-formalization. It translates natural-language math problems into precise Lean4 formal statements, achieving high accuracy and logical consistency. The model is trained with a two-stage strategy combining large-scale pre-training and supervised fine-tuning for robust formal reasoning.Python00
GOT-OCR-2.0-hf阶跃星辰StepFun推出的GOT-OCR-2.0-hf是一款强大的多语言OCR开源模型,支持从普通文档到复杂场景的文字识别。它能精准处理表格、图表、数学公式、几何图形甚至乐谱等特殊内容,输出结果可通过第三方工具渲染成多种格式。模型支持1024×1024高分辨率输入,具备多页批量处理、动态分块识别和交互式区域选择等创新功能,用户可通过坐标或颜色指定识别区域。基于Apache 2.0协议开源,提供Hugging Face演示和完整代码,适用于学术研究到工业应用的广泛场景,为OCR领域带来突破性解决方案。00- HHowToCook程序员在家做饭方法指南。Programmer's guide about how to cook at home (Chinese only).Dockerfile014
Spark-Scilit-X1-13B科大讯飞Spark Scilit-X1-13B基于最新一代科大讯飞基础模型,并针对源自科学文献的多项核心任务进行了训练。作为一款专为学术研究场景打造的大型语言模型,它在论文辅助阅读、学术翻译、英语润色和评论生成等方面均表现出色,旨在为研究人员、教师和学生提供高效、精准的智能辅助。Python00- PpathwayPathway is an open framework for high-throughput and low-latency real-time data processing.Python00