Shuffle 2.1.0版本候选发布:确定性AI代理、高可用性与数据存储自动化
Shuffle是一个开源的自动化工作流平台,它允许用户通过可视化界面构建、管理和执行复杂的工作流。该平台特别适合安全运营、IT自动化和业务流程自动化等场景。在最新发布的2.1.0版本候选版中,Shuffle团队引入了一系列重要功能和改进,显著提升了平台的可靠性、自动化能力和用户体验。
高可用性与确定性AI代理
本次更新最引人注目的是Orborus组件的高可用性支持。Orborus作为Shuffle的核心调度引擎,现在能够在云环境和本地部署中实现故障转移和可靠性提升。这意味着即使在部分节点故障的情况下,工作流执行也能持续运行,不会中断。
另一个重要进展是在AI代理方面的确定性控制能力。虽然完整功能将在2.1.0正式版中发布,但当前版本已经为构建可控、可预测的AI代理工作流奠定了基础。这对于需要精确控制LLM(大型语言模型)行为的应用场景尤为重要,如安全分析、合规检查等。
数据存储自动化与发布机制
数据存储系统获得了重大升级,新增了分类自动化和发布功能:
-
分类发布:管理员现在可以将特定数据存储分类设为公开,允许组织间共享威胁情报列表、检测规则集等数据。这一功能通过管理界面即可轻松配置。
-
自动化能力:数据存储分类现在支持原生自动化操作,包括触发工作流执行和发送Webhook通知。这意味着数据更新可以自动触发后续处理流程,大大减少了人工干预。
-
批量操作:系统优化了大规模数据处理的性能,单个分类现在能够高效处理数十万条记录,并支持批量更新操作。
组织管理与多租户改进
针对企业级用户,本次更新强化了子组织管理功能:
- 新增了子组织删除功能及相关的缓存管理机制,使组织结构的调整更加灵活。
- 管理员可以为子组织跳过SSO配置,简化管理流程。
- 修复了多租户环境下工作流加载的问题,确保子组织不会错误地引用父组织的工作流定义。
- 解决了应用在子组织中激活失败的问题,特别是当多个应用具有相同名称时的冲突情况。
技术架构优化
在底层架构方面,Shuffle 2.1.0-rc2进行了多项重要改进:
-
搜索引擎升级:平台已迁移至OpenSearch 3.0.0,提升了搜索性能和功能。
-
缓存优化:针对大型组织的缓存机制进行了全面优化,减少了不必要的缓存操作,提高了系统响应速度。
-
区域信息传播:修复了区域信息在平台中传播不一致的问题,确保分布式部署中各组件能正确识别当前区域。
-
Helm Chart改进:Kubernetes部署方案获得了多项增强,包括服务暴露方式调整、安全上下文配置和应用端口自定义等能力。
用户体验与界面改进
在前端方面,本次更新解决了多个影响用户体验的问题:
- 修复了主题切换导致的界面异常问题,确保亮色和暗色模式都能正常显示。
- 优化了工作流执行历史查看体验,当本地缓存中找不到执行记录时会自动向后端查询。
- 改进了服务部署的默认网络配置,减少了部署失败的可能性。
总结
Shuffle 2.1.0-rc2作为正式版发布前的关键里程碑,在平台可靠性、自动化能力和管理功能方面都取得了显著进步。高可用性支持使平台更适合生产环境部署,数据存储自动化开启了新的协作可能性,而确定性AI代理则为智能自动化应用铺平了道路。这些改进共同使Shuffle成为一个更强大、更可靠的企业级自动化平台。
随着后续版本的发布,我们可以期待更多关于AI代理控制和工作流智能化的创新功能。对于当前用户而言,2.1.0-rc2已经提供了足够稳定的功能集,值得在生产环境中进行评估和测试。
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