JReleaser v1.18.0 发布:增强构建与部署能力的技术解析
JReleaser 是一个强大的 Java 项目发布工具,它能够自动化整个软件发布流程,包括构建、打包、发布到各种平台以及生成变更日志等。最新发布的 v1.18.0 版本带来了多项功能增强和问题改进,进一步提升了开发者的工作效率和发布体验。
核心功能增强
原生镜像构建支持
v1.18.0 版本中,JReleaser 增加了对 FLAT_BINARY 分布类型的原生镜像构建支持。这意味着开发者现在可以更灵活地使用 GraalVM 原生镜像工具链来构建不同格式的二进制分发包,为不同平台提供更优化的运行时性能。
Docker 构建改进
构建过程中现在会自动包含 git 工具,解决了之前在某些场景下因缺少 git 而导致的构建失败问题。这一改进特别适合那些在构建过程中需要访问 git 仓库信息的项目。
Maven 部署优化
新版本显著提升了 Maven 部署器的稳定性和可靠性:
- 增加了部署超时后的重试机制和延迟处理
- 添加了对 Nexus3 仓库的专门支持
- 当部署到 Maven Central 超时时会显示明确的提示信息
这些改进大大减少了因网络波动或服务端问题导致的部署失败情况。
容器化支持增强
Podman 支持
现在除了 Docker 外,JReleaser 还支持使用 Podman 作为容器构建工具。Podman 是一个无守护进程的容器引擎,在某些环境中可能比 Docker 更受欢迎。这一变化为开发者提供了更多的选择灵活性。
发布流程改进
Forgejo 支持
v1.18.0 版本新增了对 Forgejo 作为发布平台的支持。Forgejo 是一个 Git 托管服务的分支,这一支持使得使用 Forgejo 的团队也能享受到 JReleaser 的自动化发布功能。
GitHub Release 控制
现在可以通过配置显式控制是否将 GitHub Release 标记为最新版本,这为管理多个并行版本提供了更精细的控制能力。
问题改进与稳定性提升
新版本改进了多个影响用户体验的问题:
- 解决了 SMTP 邮件通知中因 Jakarta Mail 重定位导致的类找不到问题
- 优化了组装器解析逻辑,现在只解析被选中的组装器
- 改进了快照构件部署坐标计算错误的问题
- 更新了 AppImage 模板,确保兼容性
开发者工具链更新
JReleaser v1.18.0 同步更新了众多依赖库,包括:
- 升级到 GraalVM 22.3.5
- 更新 Jackson 到 2.19.0
- 升级 Picocli 到 4.7.7
- 更新多个安全相关库版本
这些更新不仅带来了性能改进,也修复了已知的问题。
总结
JReleaser v1.18.0 通过新增功能、优化现有流程和改进问题,进一步巩固了其作为 Java 项目发布自动化首选工具的地位。无论是原生镜像构建、容器化支持,还是对各种仓库和代码托管平台的支持,这个版本都为开发者提供了更强大、更灵活的工具集。对于追求高效、自动化发布流程的 Java 团队来说,升级到 v1.18.0 版本将带来显著的效率提升和更顺畅的发布体验。
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 StartedRust0194
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 Notebook0121
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。Python05
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 Notebook06