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。
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
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