Stripe Ruby库v15.2.0版本发布:支付功能全面升级
Stripe Ruby库是Stripe官方提供的Ruby语言SDK,它让开发者能够轻松集成Stripe的各种支付功能到Ruby应用中。作为连接Ruby应用与Stripe API的桥梁,这个库简化了支付流程的实现,包括收款、订阅、账单管理等复杂功能。
核心更新内容
本次v15.2.0版本带来了多项重要功能增强和API改进,主要围绕支付流程优化和功能扩展展开。
1. 账单支付附件功能
新增了attach_payment方法到Invoice资源,这为账单处理流程带来了更灵活的支付方式管理能力。开发者现在可以直接将支付方式附加到账单上,简化了账单支付流程。
2. 终端读卡器输入收集
Terminal::Reader资源新增了collect_inputs方法,以及配套的测试辅助方法succeed_input_collection和timeout_input_collection。这些改进使得在实体店场景下处理读卡器输入更加便捷,特别是在需要收集用户输入信息时。
3. 支付方式配置扩展
支付方式配置方面新增了对韩国本地支付方式的支持,包括:
- Kakao Pay
- Naver Pay
- Payco
- Samsung Pay
- 韩国信用卡(KR Card)
这些新增选项让面向韩国市场的应用能够更轻松地集成本地流行的支付方式。
4. 订阅管理增强
订阅相关资源新增了billing_thresholds参数,这为订阅管理带来了更精细化的控制能力。开发者现在可以设置账单阈值,实现更灵活的订阅计费策略。
5. 身份验证信息完善
身份验证报告和会话中新增了个人信息相关字段,包括:
- gender(性别)
- unparsed_place_of_birth(原始出生地信息)
- unparsed_gender(原始性别信息)
这些新增字段有助于构建更完善的用户身份验证流程。
技术细节改进
除了上述功能增强外,本次更新还包含多项技术细节优化:
-
必填字段调整:明确了一些参数的必填要求,如
Billing::Alert中的meter参数现在被标记为必填,这有助于开发者更早发现配置问题。 -
支付意图优化:
PaymentIntent资源新增了对Satispay支付方式选项的支持,并针对Billie支付方式增加了capture_method参数。 -
退款处理增强:Paypal退款目的地详情中新增了
network_decline_code字段,提供更详细的退款失败信息。 -
费用计算改进:费用计算行项目现在支持
metadata参数,便于开发者添加自定义元数据。
开发者体验提升
本次更新还新增了CONTRIBUTING.md文件,为希望参与项目贡献的开发者提供了明确的指南。这表明项目维护者重视社区贡献,并致力于改善开源协作体验。
升级建议
对于正在使用Stripe Ruby库的开发者,建议尽快评估升级到v15.2.0版本,特别是:
- 需要支持韩国支付方式的应用程序
- 使用实体读卡器处理支付的零售场景
- 需要更精细订阅管理的SaaS应用
- 对身份验证有严格要求的产品
升级时应注意API版本已更新为2025-05-28.basil,确保兼容性检查。对于生产环境,建议先在测试环境验证所有关键支付流程。
这次更新进一步巩固了Stripe Ruby库作为Ruby支付集成首选解决方案的地位,为开发者提供了更强大、更灵活的工具来构建现代支付体验。
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 StartedRust023
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