Vendure电商平台v3.3.0版本发布:全新仪表盘与任务调度能力升级
Vendure是一个现代化的开源电商平台,基于Node.js和TypeScript构建,采用GraphQL作为API层。它为开发者提供了高度可定制化的电商解决方案,同时保持了优异的性能表现。本次发布的v3.3.0版本带来了多项重要更新,特别是全新的React仪表盘和原生任务调度功能,进一步提升了平台的开发体验和运维能力。
全新React仪表盘(Beta)
v3.3.0版本引入了基于React构建的全新管理仪表盘,目前处于Beta测试阶段。这个重写的界面带来了更现代化的用户体验和更灵活的扩展机制。
新仪表盘采用模块化设计,开发者可以通过插件系统轻松添加自定义的列表视图和详情页面。系统提供了丰富的UI组件库,包括表单控件、数据表格和通知系统等,确保扩展功能能够与核心界面保持一致的视觉风格。
特别值得注意的是新增的警报系统,管理员可以配置自定义警报规则,及时掌握系统关键事件。数据表格组件也加入了刷新按钮,方便用户手动更新数据而无需重新加载整个页面。
原生任务调度支持
任务调度是企业级应用的重要功能,v3.3.0版本通过DefaultSchedulerPlugin插件原生支持了这一特性。开发者现在可以定义定期执行的后台任务,系统会自动管理这些任务的执行周期和状态。
版本内置了两个实用任务:
- 会话清理任务:默认每天午夜运行,清理过期的用户会话数据
- 作业队列清理任务:自动维护DefaultJobQueuePlugin产生的历史记录
这些任务都支持细粒度配置,例如可以调整每次处理的批次大小,避免对数据库造成过大压力。任务执行时会自动创建请求上下文(RequestContext),确保拥有完整的权限和数据访问能力。
OpenTelemetry集成
新引入的@vendure/telemetry-plugin插件为系统添加了OpenTelemetry支持,这是现代分布式系统监控的事实标准。通过这个插件,开发者可以:
- 收集详细的性能追踪数据,分析API调用链
- 监控关键服务如缓存、作业队列的运行状况
- 配置自定义指标,全面掌握系统健康状态
插件已经为所有核心服务和关键辅助类添加了Instrumentation支持,包括ConfigService的配置加载过程和AppModule的中间件初始化过程都会生成详细的追踪日志。
开发工具改进
v3.3.0版本用全新的GraphiQL插件取代了原有的GraphQL Playground。GraphiQL提供了更稳定、功能更丰富的GraphQL查询界面,包括:
- 语法高亮和自动补全
- 查询历史记录
- 文档浏览器
- 变量和请求头编辑
开发者现在可以通过独立安装@vendure/graphiql-plugin来获得这一改进的开发体验。
升级指南
从v2.2.x升级到v3.3.0的步骤相对简单:
- 更新所有@vendure开头的依赖包到~3.3.0版本
- 在配置中添加DefaultSchedulerPlugin插件
- 生成并执行数据库迁移
对于有大量历史会话数据的系统,建议初始配置较小的清理批次(如100条/次),逐步观察数据库负载情况后再调整至默认的1000条/次。
总结
Vendure v3.3.0通过全新的仪表盘、强大的任务调度能力和专业的监控支持,进一步巩固了其作为现代化电商解决方案的地位。这些改进不仅提升了开发者的工作效率,也为大型电商项目的运维管理提供了更多专业工具。特别是OpenTelemetry的集成,使得性能优化和故障排查变得更加系统化和数据驱动。
atomcodeClaude Code 的开源替代方案。连接任意大模型,编辑代码,运行命令,自动验证 — 全自动执行。用 Rust 构建,极致性能。 | An open-source alternative to Claude Code. Connect any LLM, edit code, run commands, and verify changes — autonomously. Built in Rust for speed. Get StartedRust0199
cann-learning-hubCANN 学习中心仓,支持在线互动运行、边学边练,提供教程、示例与优化方案,一站式助力昇腾开发者快速上手。Jupyter Notebook0129
MiMo-V2.5-Pro-FP4-DFlashMiMo-V2.5-Pro-FP4-DFlash 是驱动 MiMo-V2.5-Pro-UltraSpeed 的底层模型: FP4 量化骨干网络:对 MoE 专家采用 MXFP4 量化,同时保持模型其他部分的更高精度,在几乎无损质量的前提下,显著减小模型体积并降低内存带宽压力。 BF16 DFlash 草稿生成器:用于块扩散推测解码,每次前向传播可生成一整个块的 tokens,并让骨干网络一步完成验证。 两者协同作用,既降低了每参数的位宽,又减少了骨干网络前向传播的次数,而这两者正是万亿参数模型解码过程中的两大主要成本来源。Python00
JoyAI-EchoJoyAI-Echo,这是一个独立的、仅用于推理的版本,旨在实现分钟级多镜头音视频生成。它采用了经过蒸馏的DMD生成器、配对的跨模态记忆以及故事级别的一致性。其性能的核心在于,一个跨模态视听记忆库能够在长达五分钟的视频中保持角色外观和语音音色的一致性。同时,一个训练后处理流程将基于记忆的强化学习与分布匹配蒸馏相结合,实现了7.5倍的速度提升,显著增强了视觉质量和对齐效果。00
AstrBot✨ 易上手的多平台 LLM 聊天机器人及开发框架 ✨ 平台支持 QQ、QQ频道、Telegram、微信、企微、飞书 | OpenAI、DeepSeek、Gemini、硅基流动、月之暗面、Ollama、OneAPI、Dify 等。附带 WebUI。Python08
handy-ollama动手学Ollama,CPU玩转大模型部署,在线阅读地址:https://datawhalechina.github.io/handy-ollama/Jupyter Notebook07