Trigger.dev SDK 3.3.11版本发布:支持运行时指定任务执行规格
Trigger.dev是一个专注于工作流自动化和任务编排的开源项目,它提供了强大的SDK帮助开发者在应用程序中构建可靠的后台任务和工作流。该项目通过抽象化复杂的分布式系统概念,让开发者能够专注于业务逻辑的实现。
在最新发布的3.3.11版本中,Trigger.dev SDK引入了一项重要功能:支持在触发任务时动态指定执行规格(machine preset)。这一改进为任务执行提供了更灵活的资源配置能力。
动态执行规格配置
在之前的版本中,任务的执行规格(如CPU、内存等资源配置)只能在任务定义时静态设置。3.3.11版本打破了这一限制,允许开发者在触发任务的运行时动态指定执行规格。
这项功能通过新增的machine选项实现,可以与所有类型的触发函数配合使用:
// 基本触发,使用任务定义的默认规格(默认为"small-1x")
await childTask.trigger({ message: "Hello, world!" });
// 动态指定执行规格为"small-2x"
await childTask.trigger({ message: "Hello, world!" }, { machine: "small-2x" });
// 同样适用于等待完成的触发方式
await childTask.triggerAndWait({ message: "Hello, world!" }, { machine: "small-2x" });
// 批量触发时也可为每个任务单独指定规格
await childTask.batchTrigger([
{ payload: { message: "Hello, world!" }, options: { machine: "micro" } },
{ payload: { message: "Hello, world!" }, options: { machine: "large-1x" } },
]);
技术实现与优势
这一功能的实现基于Trigger.dev的核心架构,它允许任务执行环境的配置在运行时动态调整。开发者现在可以根据实际业务需求,为不同重要程度或资源需求的任务分配合适的计算资源。
例如,对于数据处理密集型任务可以使用"large-1x"规格,而对于简单的通知任务则可以使用"micro"规格。这种细粒度的资源控制能够显著提高资源利用率,降低运营成本。
向后兼容性
新版本完全向后兼容,现有的任务定义和行为保持不变。如果不在触发时指定machine选项,系统将回退到任务定义时设置的默认规格,若无设置则使用系统默认的"small-1x"规格。
总结
Trigger.dev SDK 3.3.11版本的这一改进为开发者提供了更灵活的任务执行控制能力,使得资源分配可以根据实际业务场景动态调整。这对于构建高效、经济的后台任务系统具有重要意义,特别是对于资源需求差异大的复杂工作流场景。
开发者现在可以更精细地优化任务执行策略,在保证性能的同时实现资源的最优利用,进一步提升了Trigger.dev在生产环境中的实用价值。
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