Bean Searcher 4.4.0 版本发布:增强参数解析与全新Label功能
Bean Searcher 是一个专注于简化数据库查询的Java开源框架,它通过注解和简单的API让开发者能够快速构建复杂的查询条件,同时保持代码的简洁性。最新发布的4.4.0版本带来了多项重要改进,特别是新增的Label功能为微服务架构下的数据关联查询提供了优雅解决方案。
参数解析能力增强
4.4.0版本在参数解析方面做了多项改进,使框架能够处理更复杂的请求参数格式:
-
索引数组参数支持:新增的
IndexArrayParamFilter可以解析类似key[0]=v1&key[1]=v2这样的数组参数格式,这在处理前端传递的数组数据时特别有用。开发者可以通过配置项bean-searcher.params.filter.use-index-array来启用这一功能。 -
后缀操作符增强:
SuffixOpParamFilter现在支持将大小写敏感控制合并到参数中,例如使用name-ct-ic=xxx这样的参数格式可以同时指定包含条件和不区分大小写。 -
元数据缓存控制:
MetaResolver新增了clearCache()方法,允许开发者在必要时手动清除BeanMeta缓存,这在动态修改实体类结构时非常有用。
组合注解支持与工具类
新版本增强了注解处理能力:
-
@DbIgnore扩展:现在可以将
@DbIgnore标注在其他自定义注解上,使这些注解自动具备忽略数据库字段的功能,这提高了代码的可读性和复用性。 -
AnnoUtils工具类:新增的这个工具类专门用于解析组合注解,简化了复杂注解场景下的开发工作。
重磅功能:Bean Searcher Label
4.4.0版本引入了全新的Label功能,这是本次更新的最大亮点:
-
@LabelFor注解:这个继承自
@DbIgnore的注解允许开发者标记Label字段。例如,可以将statusName字段标记为枚举status的Label,或者在微服务架构下,将订单服务中的username字段标记为用户服务中userId字段的Label。 -
LabelLoader接口:这个灵活的接口允许开发者自定义Label的加载逻辑,无论是从本地缓存还是远程服务获取数据。框架提供了默认的
EnumLabelLoader实现,专门用于加载枚举类型的Label。 -
枚举Label支持:通过
EnumLabelLoader,开发者可以轻松配置需要在SearchBean中被解析的所有枚举及其对应的Label获取逻辑。例如:
@Bean
public EnumLabelLoader enumLabelLoader() {
return new EnumLabelLoader()
.with(UserType.class, UserType::getLabel)
.with(UserStatus.class, UserStatus::getLabel);
}
框架集成改进
针对Spring Boot和Solon框架的starter包也同步更新:
-
配置项统一:两个starter都新增了
bean-searcher.params.filter.use-index-array配置项,用于控制索引数组参数的解析功能。 -
自动化配置:Label功能的自动化配置被集成到starter中,开发者只需定义相应的Bean即可使用Label功能,无需额外配置。
总结
Bean Searcher 4.4.0版本通过增强参数解析能力和引入创新的Label功能,进一步简化了复杂查询场景下的开发工作。特别是Label功能的加入,为微服务架构下的跨服务数据关联查询提供了优雅的解决方案,避免了传统方案中的复杂编码和性能问题。这些改进使得Bean Searcher在保持简洁API的同时,能够应对更广泛的业务场景需求。
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