KusionStack v0.14.0-rc.1 版本发布:模块化与云原生能力全面升级
KusionStack 是一个现代化的云原生配置管理平台,它通过声明式配置和自动化工具链帮助开发者高效管理基础设施和应用部署。本次发布的 v0.14.0-rc.1 版本带来了多项重要功能增强和优化,特别是在模块化开发、资源管理和云原生支持方面有显著提升。
核心功能增强
模块化开发支持
新版本对模块化开发提供了更全面的支持,新增了kusion mod login和kusion mod pull子命令,使开发者能够更方便地管理和共享模块。服务器端现在支持获取工作区模块,为团队协作提供了更好的支持。
在模块管理方面,开发团队增加了模块追踪功能,并优化了模块日志分割,这使得调试和问题排查更加高效。同时,应用配置和模块生成器进行了重构,提升了整体架构的清晰度和可维护性。
资源管理能力提升
新增的resource show命令为用户提供了更直观的资源查看方式。资源标识符验证和资源URN的支持,使得资源管理更加规范和可靠。特别值得注意的是,现在支持标签和注解的移除补丁功能,为Kubernetes资源管理提供了更灵活的操作空间。
云原生与存储支持
多后端存储支持
新版本扩展了后端存储支持,新增了对Google云存储的支持,与现有的本地和S3存储一起,为用户提供了更多选择。同时修复了默认后端未设置时的空指针异常问题,提升了系统的健壮性。
异步执行与监控
执行API现在支持强制解锁并优化了失败处理机制,增强了长时间运行任务的可靠性。新增的运行状态监控功能允许用户实时跟踪任务进度,结合排序选项,使运行管理更加高效。
开发者体验优化
API增强与文档完善
服务器端API得到了全面增强,包括:
- 新增资源图谱API
- 工作区配置API
- 分页支持
- 列表API的过滤功能
- 项目名称的模糊匹配
同时,团队完善了Swagger文档生成,增加了API请求验证,并屏蔽了后端敏感数据,既提升了开发效率又保障了安全性。
开发者门户
新增的开发者门户为社区贡献者和使用者提供了更友好的入口,这将有助于降低项目参与门槛,促进生态发展。
稳定性与性能改进
在底层实现上,开发团队修复了多个关键问题:
- 依赖变更状态更新问题
- 表名大小写敏感性导致的连接和模式语句问题
- 工作区更新和删除API的修复
- 默认外键的使用优化
这些改进显著提升了系统的稳定性和可靠性。
总结
KusionStack v0.14.0-rc.1版本在模块化支持、资源管理和云原生能力方面取得了重要进展。新功能如模块管理命令、资源展示、Google云存储支持等,将极大提升开发者的工作效率。同时,API的完善和开发者门户的加入,展现了项目对社区和生态建设的重视。
这个版本为即将到来的正式版v0.14.0奠定了坚实基础,值得开发者关注和试用。建议用户升级体验新功能,并反馈使用感受,帮助项目持续改进。
GLM-5.1GLM-5.1是智谱迄今最智能的旗舰模型,也是目前全球最强的开源模型。GLM-5.1大大提高了代码能力,在完成长程任务方面提升尤为显著。和此前分钟级交互的模型不同,它能够在一次任务中独立、持续工作超过8小时,期间自主规划、执行、自我进化,最终交付完整的工程级成果。Jinja00
atomcodeAn open-source alternative to Claude Code. Connect any LLM, edit code, run commands, and verify changes — autonomously. Built in Rust for speed. Get StartedRust014
MiniMax-M2.7MiniMax-M2.7 是我们首个深度参与自身进化过程的模型。M2.7 具备构建复杂智能体应用框架的能力,能够借助智能体团队、复杂技能以及动态工具搜索,完成高度精细的生产力任务。Python00- QQwen3.5-397B-A17BQwen3.5 实现了重大飞跃,整合了多模态学习、架构效率、强化学习规模以及全球可访问性等方面的突破性进展,旨在为开发者和企业赋予前所未有的能力与效率。Jinja00
HY-Embodied-0.5这是一套专为现实世界具身智能打造的基础模型。该系列模型采用创新的混合Transformer(Mixture-of-Transformers, MoT) 架构,通过潜在令牌实现模态特异性计算,显著提升了细粒度感知能力。Jinja00
LongCat-AudioDiT-1BLongCat-AudioDiT 是一款基于扩散模型的文本转语音(TTS)模型,代表了当前该领域的最高水平(SOTA),它直接在波形潜空间中进行操作。00
ERNIE-ImageERNIE-Image 是由百度 ERNIE-Image 团队开发的开源文本到图像生成模型。它基于单流扩散 Transformer(DiT)构建,并配备了轻量级的提示增强器,可将用户的简短输入扩展为更丰富的结构化描述。凭借仅 80 亿的 DiT 参数,它在开源文本到图像模型中达到了最先进的性能。该模型的设计不仅追求强大的视觉质量,还注重实际生成场景中的可控性,在这些场景中,准确的内容呈现与美观同等重要。特别是,ERNIE-Image 在复杂指令遵循、文本渲染和结构化图像生成方面表现出色,使其非常适合商业海报、漫画、多格布局以及其他需要兼具视觉质量和精确控制的内容创作任务。它还支持广泛的视觉风格,包括写实摄影、设计导向图像以及更多风格化的美学输出。Jinja00