Apollo Router v1.61.8版本发布:WebSocket握手响应与OpenTelemetry改进
项目简介
Apollo Router是一个高性能的GraphQL网关,作为Apollo Federation架构的核心组件,它负责将来自客户端的GraphQL请求路由到各个子图服务,并将结果聚合后返回给客户端。该工具专为大规模GraphQL部署设计,提供了强大的性能优化、监控和扩展能力。
版本亮点
WebSocket握手响应修复
在v1.61.8版本中,开发团队修复了一个关于WebSocket握手响应的重要问题。当使用WebSocket进行GraphQL订阅时,之前的版本在握手阶段没有返回符合GraphQL规范的响应体。这个问题源于对GraphQL响应规范的严格检查机制引入后,WebSocket握手响应未能包含必要的GraphQL数据结构。
技术细节上,该修复确保了:
- 所有WebSocket握手响应现在都包含有效的GraphQL响应结构
- 订阅初始化阶段完全符合GraphQL规范要求
- 与各种GraphQL客户端的兼容性得到提升
OpenTelemetry规范合规性改进
本次版本对OpenTelemetry(OTel)的指标采集进行了重要优化,特别是针对HTTP路由(http.route)属性的处理。根据OTel规范要求,http.route属性应该只包含匹配的路由路径模板,而不应包含查询参数等可能导致高基数问题的信息。
改进内容包括:
- 从
http.route属性中移除了查询参数部分 - 现在只保留基本路径信息(如
/graphql) - 减少了监控系统中的基数问题,提高了指标系统的稳定性
这项改进对于大规模部署特别重要,因为它能显著降低监控系统的存储压力,同时使路由级别的指标分析更加清晰。
订阅监控增强
v1.61.8版本为订阅操作添加了更细致的监控能力。现在,apollo.router.opened.subscriptions指标包含了graphql.operation.name属性,使得运维人员能够:
- 按操作名称区分不同的活跃订阅
- 更精确地监控特定订阅的资源使用情况
- 快速识别可能存在问题的订阅操作
这项增强对于实时应用特别有价值,因为订阅通常代表着长期连接,对系统资源的影响更大。
技术影响分析
这些改进从不同层面提升了Apollo Router的稳定性和可观测性:
-
协议合规性:WebSocket握手响应的修复确保了与GraphQL规范的完全兼容,减少了客户端兼容性问题。
-
可观测性:OpenTelemetry属性的规范化处理使监控数据更加标准,便于与其他OTel兼容系统集成;订阅指标的增强则提供了更细粒度的实时监控能力。
-
性能优化:减少高基数指标有助于降低监控系统的负载,特别是在大规模部署场景下。
升级建议
对于正在使用以下功能的用户,建议尽快升级到v1.61.8版本:
- 使用GraphQL订阅功能,特别是通过WebSocket协议
- 依赖OpenTelemetry进行系统监控
- 需要详细跟踪订阅操作的使用情况
升级过程通常只需替换二进制文件并重启服务,但建议在测试环境验证后再进行生产环境部署。
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