VoltAgent核心库0.1.36版本发布:增强流式处理与服务器配置
VoltAgent是一个现代化的AI代理框架,专注于构建智能、可扩展的AI应用系统。其核心库@voltagent/core提供了构建AI代理所需的基础设施,包括对话管理、工具调用、多代理协作等功能。本次0.1.36版本带来了三项重要改进,显著提升了流式处理能力和服务器配置的灵活性。
全面增强的流式处理支持
新版本引入了fullStream功能,为开发者提供了更细粒度的流式处理控制。与传统的简单文本流不同,fullStream能够区分多种类型的处理步骤,包括:
- 文本增量(text-delta):AI生成的文本片段
- 工具调用(tool-call):代理调用外部工具时的通知
- 工具结果(tool-result):工具执行完成后的返回结果
- 推理过程(reasoning):AI思考过程的中间步骤
- 完成通知(finish):任务完成时的总结信息
- 错误信息(error):处理过程中出现的错误
这种细粒度的流式处理特别适合构建复杂的交互式AI应用。开发者现在可以精确控制不同类型事件的显示逻辑,例如在UI中区分主代理和子代理的输出,或者为不同类型的处理步骤添加视觉反馈。
同时,子代理事件转发机制也得到了改进。现在子代理的所有事件都会自动转发给父代理,而过滤逻辑则移到了客户端。这种设计提供了更大的灵活性,开发者可以根据应用需求自由决定如何处理来自不同代理的事件。
支持流式HTTP传输协议
在模型通信协议(MCP)方面,新版本升级了底层SDK,并新增了对streamable HTTP传输的支持。这一改进带来了三种传输模式:
- 自动选择模式(type: "http"):智能选择最佳传输方式,优先尝试streamable HTTP,失败时回退到SSE
- 强制SSE模式(type: "sse"):仅使用传统的Server-Sent Events协议
- 强制流式HTTP模式(type: "streamable-http"):仅使用新的streamable HTTP协议,不进行回退
这种多协议支持既保证了与旧系统的兼容性,又能充分利用新协议的优势。streamable HTTP协议通常具有更好的性能和资源利用率,特别是在高并发场景下。
统一的服务器配置方案
新版本重构了服务器配置方式,引入了统一的server配置对象,取代了之前分散的独立参数。这一改进带来了多项好处:
- 配置组织更清晰:所有服务器相关选项集中在一个对象中
- Swagger UI控制更精细:可以根据环境自动决定是否启用API文档
- 向后兼容:旧版配置方式仍然有效,但推荐迁移到新格式
服务器配置现在支持环境感知的默认值。在开发环境(NODE_ENV !== 'production')中,Swagger UI默认启用,便于API测试和文档查看;在生产环境中则默认禁用,增强安全性。开发者可以通过server.enableSwaggerUI显式覆盖这一行为。
自定义端点功能也得到了保留和增强,现在可以更方便地添加应用特定的HTTP端点,同时保持与核心API的和谐共存。
总结
VoltAgent核心库0.1.36版本通过这三项主要改进,显著提升了框架的实用性和灵活性。流式处理的增强使得构建复杂交互式AI应用更加容易;新的传输协议支持优化了性能表现;而统一的服务器配置则改善了开发体验。这些改进共同推动VoltAgent向着更成熟、更强大的AI应用框架迈进。
Kimi-K2.5Kimi K2.5 是一款开源的原生多模态智能体模型,它在 Kimi-K2-Base 的基础上,通过对约 15 万亿混合视觉和文本 tokens 进行持续预训练构建而成。该模型将视觉与语言理解、高级智能体能力、即时模式与思考模式,以及对话式与智能体范式无缝融合。Python00
GLM-4.7-FlashGLM-4.7-Flash 是一款 30B-A3B MoE 模型。作为 30B 级别中的佼佼者,GLM-4.7-Flash 为追求性能与效率平衡的轻量化部署提供了全新选择。Jinja00
VLOOKVLOOK™ 是优雅好用的 Typora/Markdown 主题包和增强插件。 VLOOK™ is an elegant and practical THEME PACKAGE × ENHANCEMENT PLUGIN for Typora/Markdown.Less00
PaddleOCR-VL-1.5PaddleOCR-VL-1.5 是 PaddleOCR-VL 的新一代进阶模型,在 OmniDocBench v1.5 上实现了 94.5% 的全新 state-of-the-art 准确率。 为了严格评估模型在真实物理畸变下的鲁棒性——包括扫描伪影、倾斜、扭曲、屏幕拍摄和光照变化——我们提出了 Real5-OmniDocBench 基准测试集。实验结果表明,该增强模型在新构建的基准测试集上达到了 SOTA 性能。此外,我们通过整合印章识别和文本检测识别(text spotting)任务扩展了模型的能力,同时保持 0.9B 的超紧凑 VLM 规模,具备高效率特性。Python00
KuiklyUI基于KMP技术的高性能、全平台开发框架,具备统一代码库、极致易用性和动态灵活性。 Provide a high-performance, full-platform development framework with unified codebase, ultimate ease of use, and dynamic flexibility. 注意:本仓库为Github仓库镜像,PR或Issue请移步至Github发起,感谢支持!Kotlin07
compass-metrics-modelMetrics model project for the OSS CompassPython00