Solon v3.1.2 发布:增强流程引擎与AI集成能力
Solon 是一个轻量级、高性能的 Java 应用开发框架,专注于简化企业级应用的开发过程。它提供了从 Web 开发到微服务架构的全栈支持,同时保持了极低的资源消耗和快速的启动速度。Solon 的设计哲学强调"约定优于配置",通过合理的默认值和简洁的API帮助开发者快速构建可靠的应用程序。
核心功能增强
流程引擎插件体系完善
本次发布的 v3.1.2 版本显著增强了 Solon 的流程引擎能力,新增了多个关键插件:
-
solon-flow-stateful:为流程引擎添加了状态管理能力,使得复杂业务流程的状态跟踪更加容易实现。
-
表达式计算插件系列:
- solon-flow-eval-aviator:集成 Aviator 表达式引擎
- solon-flow-eval-beetl:集成 Beetl 模板引擎
- solon-flow-eval-magic:集成 Magic 脚本引擎
这些插件为流程引擎提供了灵活的表达式计算能力,开发者可以根据项目需求选择合适的表达式引擎来处理业务逻辑。
- 接口设计优化:
- 将 ChainContext 更名为 FlowContext
- 将 ChainDriver 更名为 FlowDriver
- 新增 Container 和 Evaluation 接口定义
这些变更使得流程引擎的API命名更加直观,降低了新用户的学习曲线,同时为未来的功能扩展打下了更好的基础。
AI 能力扩展
Solon 在人工智能集成方面也取得了进展:
-
新增 solon-ai-repo-chroma 插件:提供了对 Chroma 向量数据库的支持,增强了AI应用的向量检索能力。
-
优化现有AI插件:
- 改进了 solon-ai-repo-tcvectordb 插件的相似度处理算法
- 优化了 solon-ai-repo-elasticsearch 插件的相似度计算
这些改进使得基于Solon构建的AI应用能够更准确地进行语义搜索和相似度匹配。
框架核心改进
新特性引入
-
Entity 类支持:新增了 Solon Entity 类及渲染支持,简化了数据实体与视图层之间的交互。
-
插件管理增强:
- 添加 SolonApp::pluginGet 方法,方便获取插件实体
- 将 Solon.cfg().plugs() 更名为 plugins,使API命名更加规范
-
响应式编程支持:
- 添加 Context:returnValue 方法,提供手动模式下响应式支持
- 将 ActionReturnHandler 更名为 ReturnValueHandler,使其适用范围更广
性能与稳定性优化
-
HTTP工具增强:
- 优化 HttpUtils 添加了 contentType 和 accept 便捷方法
- 改进 ServerSentEvent 类,使其兼容各种序列化方案
- 调整 TextStreamUtil 缓冲大小至 1KB,平衡内存使用与性能
-
服务器配置改进:
- 将 HttpServerProps 和 WebSocketServerProps 改为实例化,支持插件动态重启
- 异常处理改为弱性,提高系统鲁棒性
-
问题修复:
- 解决了 solon-data 缓存注解不能正确处理泛型数据的问题
- 修复了 solon-rx CompletableImpl 异常传递丢失的问题
- 修正了 Context.outputAsHtml 缺少 body 标记输出的缺陷
依赖项升级
Solon v3.1.2 同步更新了多个关键依赖项:
- maven-compiler-plugin 升级至 3.14.0
- native-maven-plugin 升级至 0.10.6
- maven-plugin-plugin 升级至 3.15.1
- snakeyaml 升级至 2.4
- slf4j 升级至 2.0.17
- liquor 升级至 1.5.2
- nacos2 升级至 2.5.1
- sa-token 升级至 1.41.0
这些升级带来了更好的性能、安全性和兼容性,同时也解决了已知的安全问题和缺陷。
总结
Solon v3.1.2 是一个功能丰富的中期版本,主要聚焦于流程引擎的完善和AI能力的增强。通过新增多个专业插件和优化现有功能,Solon 进一步巩固了其作为全栈Java开发框架的地位。对于需要构建复杂业务流程或集成AI能力的企业应用,这个版本提供了更加强大和灵活的工具集。
框架核心的持续改进也体现了Solon团队对开发者体验的重视,从API命名的优化到响应式编程支持的增强,都旨在让开发者能够更高效、更愉快地使用Solon构建应用程序。
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