AgensGraph v2.15.0 版本发布:PostgreSQL 15兼容与Cypher查询增强
AgensGraph 是一个基于 PostgreSQL 的开源图数据库,它结合了关系型数据库的强大功能和图数据库的灵活性。作为 PostgreSQL 的扩展,AgensGraph 允许用户在同一个数据库中同时处理关系型数据和图数据,支持标准的 SQL 和 Cypher 查询语言。最新发布的 AgensGraph v2.15.0 版本带来了多项重要更新,包括与 PostgreSQL 15.12 的兼容性、Cypher 查询功能的增强以及多项性能改进。
PostgreSQL 15.12 兼容性升级
AgensGraph v2.15.0 的一个重要改进是与 PostgreSQL 15 系列的最新版本 15.12 保持同步。这一升级意味着 AgensGraph 现在包含了 PostgreSQL 15 的所有最新功能和安全性补丁。对于企业用户来说,这种同步确保了数据库系统的稳定性和安全性,同时也能享受到 PostgreSQL 社区的最新创新成果。
特别值得注意的是,新版本引入了行和列级别的逻辑复制过滤功能。这一特性为数据库管理员提供了更精细的控制能力,可以只复制特定的行或列数据,这在数据分发和同步场景中特别有用。此外,COPY 命令现在支持 MERGE 和 CONCURRENT 操作,大大提高了数据加载的灵活性和性能。
Cypher 查询功能增强
AgensGraph v2.15.0 对 Cypher 查询语言的支持有了显著提升。新增的 CREATE TABLE AS 语法允许用户直接将 Cypher 查询结果转换为关系表,这一功能弥合了图数据和关系数据之间的鸿沟,使得数据集成更加无缝。
另一个实用功能是新增的 graph_exists() 函数,开发人员现在可以轻松检查特定图是否存在。对于变量重用问题,新版本修复了之前版本中变量不能跨子句重用的限制,使得查询编写更加灵活。MERGE 语句现在能够自动创建标签,简化了图数据的构建过程。
CTE(Common Table Expressions)现在可以与 Cypher 查询结合使用,这一改进使得复杂图查询可以模块化编写,提高了查询的可读性和维护性。PSQL 客户端也获得了针对图查询的自动补全功能,提升了开发效率。
性能优化与错误修复
在性能方面,AgensGraph v2.15.0 引入了针对边节点的 start_id() 和 end_id() 函数,这些函数可以快速获取边的起始和结束节点信息,优化了图遍历操作。
错误修复方面,新版本解决了多个关键问题,包括 MATCH 查询中非存在标签返回 NULL 的问题、使用下划线作为变量名时的冲突问题,以及聚合函数在某些情况下的错误结果问题。这些修复显著提高了系统的稳定性和查询结果的准确性。
构建与平台支持
AgensGraph v2.15.0 对构建系统进行了优化,解决了使用 --with-llvm 配置选项时的构建问题。在平台支持方面,项目移除了对 CentOS 的支持,转而增加了对 Rocky Linux 的支持,反映了当前企业 Linux 生态系统的变化趋势。
总结
AgensGraph v2.15.0 是一个功能丰富且稳定的版本,它不仅保持了与最新 PostgreSQL 版本的同步,还显著增强了图数据库特有的功能。对于需要在同一系统中处理关系数据和图数据的应用场景,AgensGraph 提供了一个强大而灵活的解决方案。新版本的改进特别适合那些需要复杂图分析、数据集成和高性能查询的企业应用。
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