Mailpit v1.26.0 版本发布:新增 Prometheus 监控与 API 认证增强
Mailpit 是一个轻量级的邮件测试工具和邮件服务器,主要用于开发和测试环境中捕获和查看发送的电子邮件。它提供了一个简洁的 Web 界面,让开发者能够方便地查看、搜索和测试发送的邮件内容,而无需配置真实的邮件服务器。
主要功能更新
1. 独立的 Send API 认证配置
在 v1.26.0 版本中,Mailpit 引入了一个重要的安全增强功能 - 为 Send API 端点提供了独立的认证配置选项。这意味着管理员现在可以为邮件发送 API 设置专门的认证凭据,与主界面的认证分开管理。
这一改进特别适合以下场景:
- 需要为自动化测试脚本提供专门的 API 访问权限
- 希望限制某些用户只能发送邮件而不能访问邮件列表
- 需要为不同团队或服务设置不同的访问权限级别
2. Prometheus 监控集成
另一个重要新增功能是内置的 Prometheus 导出器。现在,Mailpit 可以暴露各种邮件相关的指标,方便运维团队监控邮件系统的运行状态。
Prometheus 监控功能提供了以下关键指标:
- 邮件接收和发送的数量统计
- 存储中的邮件总数
- 邮件处理延迟
- 系统资源使用情况
这些指标可以帮助团队:
- 监控邮件系统的健康状况
- 设置警报规则
- 分析邮件流量模式
- 进行容量规划
其他改进与修复
跨域请求处理优化
Mailpit 现在会忽略对 OPTIONS 请求的基本认证检查,当 CORS(跨域资源共享)配置启用时。这一改进使得前端应用能够更顺畅地与 Mailpit API 进行交互,特别是在跨域场景下。
macOS 兼容性修复
针对 macOS 用户,修复了 sendmail 符号链接检测的问题。这个修复确保了在 macOS 系统上 Mailpit 能够正确识别和使用 sendmail 兼容接口。
环境变量调整
新版本开始对 MP_DATA_FILE 环境变量显示弃用警告,建议用户迁移到新的配置方式。这是 Mailpit 持续改进配置系统的一部分,旨在提供更一致和灵活的配置选项。
技术实现细节
Mailpit v1.26.0 在底层也进行了多项更新:
- 升级了 Go 语言依赖项,确保使用最新的安全补丁和性能改进
- 更新了前端依赖项,提升了 Web 界面的稳定性和性能
- 优化了内部代码结构,为未来功能扩展打下基础
总结
Mailpit v1.26.0 版本通过新增 Prometheus 监控支持和 API 认证增强,进一步提升了其在开发和测试环境中的实用性和安全性。这些改进使得 Mailpit 不仅是一个简单的邮件捕获工具,更成为一个功能完善的邮件测试和监控解决方案。
对于现有用户,建议升级到这个版本以获得更好的安全性和监控能力。新用户也可以从这个版本开始,体验 Mailpit 提供的完整功能集。
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