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。
ERNIE-4.5-VL-28B-A3B-ThinkingERNIE-4.5-VL-28B-A3B-Thinking 是 ERNIE-4.5-VL-28B-A3B 架构的重大升级,通过中期大规模视觉-语言推理数据训练,显著提升了模型的表征能力和模态对齐,实现了多模态推理能力的突破性飞跃Python00
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
MiniMax-M2MiniMax-M2是MiniMaxAI开源的高效MoE模型,2300亿总参数中仅激活100亿,却在编码和智能体任务上表现卓越。它支持多文件编辑、终端操作和复杂工具链调用Python00
HunyuanVideo-1.5HunyuanVideo-1.5作为一款轻量级视频生成模型,仅需83亿参数即可提供顶级画质,大幅降低使用门槛。该模型在消费级显卡上运行流畅,让每位开发者和创作者都能轻松使用。本代码库提供生成创意视频所需的实现方案与工具集。00
MiniCPM-V-4_5MiniCPM-V 4.5 是 MiniCPM-V 系列中最新且功能最强的模型。该模型基于 Qwen3-8B 和 SigLIP2-400M 构建,总参数量为 80 亿。与之前的 MiniCPM-V 和 MiniCPM-o 模型相比,它在性能上有显著提升,并引入了新的实用功能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
GOT-OCR-2.0-hf阶跃星辰StepFun推出的GOT-OCR-2.0-hf是一款强大的多语言OCR开源模型,支持从普通文档到复杂场景的文字识别。它能精准处理表格、图表、数学公式、几何图形甚至乐谱等特殊内容,输出结果可通过第三方工具渲染成多种格式。模型支持1024×1024高分辨率输入,具备多页批量处理、动态分块识别和交互式区域选择等创新功能,用户可通过坐标或颜色指定识别区域。基于Apache 2.0协议开源,提供Hugging Face演示和完整代码,适用于学术研究到工业应用的广泛场景,为OCR领域带来突破性解决方案。00