RuleGo v0.31.0 版本发布:增强缓存与脚本能力,优化节点功能
RuleGo 是一个基于 Go 语言开发的轻量级、高性能、可嵌入的规则引擎框架,它允许开发者通过配置化的方式定义复杂的事件处理流程。RuleGo 采用组件化设计,支持动态加载和热更新规则链,非常适合物联网、消息处理、自动化运维等场景。
核心功能增强
新增缓存组件与操作能力
本次版本最显著的改进之一是引入了缓存功能。RuleGo 现在提供了三个新的组件节点:cacheSet、cacheGet 和 cacheDelete,使得规则链可以直接操作缓存数据。这一功能扩展了 RuleGo 的状态管理能力,使得规则可以:
- 临时存储中间计算结果
- 实现简单的状态跟踪
- 缓存外部API调用结果以提高性能
值得注意的是,缓存功能不仅可以通过节点操作,还直接暴露给了脚本引擎。无论是 JavaScript 还是 Lua 脚本,现在都可以直接调用缓存相关方法,这大大增强了脚本处理复杂逻辑的能力。
脚本引擎功能统一与增强
RuleGo 一直支持通过脚本扩展处理逻辑,v0.31.0 版本对脚本功能做了重要改进:
- 统一了 JavaScript 和 Lua 的自定义函数注册方法,降低了学习成本
- 支持将所有结构体导出函数绑定到脚本环境中,极大扩展了脚本可调用功能
- Lua 脚本现在可以调用与 JavaScript 相同的用户自定义函数(UDF)
这些改进使得脚本开发更加统一和强大,开发者可以根据项目需求或个人偏好选择 JavaScript 或 Lua,而不用担心功能差异。
节点功能优化
REST API 调用增强
restApiCall 节点是 RuleGo 中用于调用外部 HTTP 接口的重要组件,新版本对其做了多项改进:
- 允许完全自定义请求体(body)内容
- 优化了变量取值逻辑,使得参数配置更加灵活
- 修复了请求失败时错误信息无法传递到元数据的问题
现在开发者可以更灵活地构建复杂的 HTTP 请求,特别是在需要动态构造请求体或处理错误场景时更加方便。
其他节点改进
- Switch 节点修复了配置不能完全覆盖默认 cases 参数的问题
- Join 节点现在能够正确收集错误节点信息
- 节点配置现在支持混合字符串和变量取值,提高了配置灵活性
端点(Endpoint)功能增强
RuleGo 的端点系统也获得了多项改进:
- 添加了 HasRouter API,方便检查路由是否存在
- 端点现在可以获取规则链的 DSL 定义
- REST 端点重启时增加了关闭超时机制,提高稳定性
- 修复了共享节点热更新时路由恢复的问题
特别值得一提的是新增的 MCP Server Endpoint,这为 RuleGo 提供了新的通信协议支持,扩展了其应用场景。
编辑器与服务器改进
RuleGo Editor 作为可视化规则链设计工具,也同步更新:
- 新增了缓存组件节点,方便可视化配置
- 增强了 REST 节点的 body 参数配置界面
- 添加了 MCP Server Endpoint 节点支持
- 修复了快捷键操作问题,优化了集成显示
RuleGo Server 作为独立服务版本,修复了 HTTP 服务器重启后编辑器路由丢失的问题,并集成了系统默认的 HTTP 服务器。
总结
RuleGo v0.31.0 版本通过引入缓存功能、统一脚本引擎、增强节点能力等一系列改进,进一步提升了框架的实用性和灵活性。这些改进使得 RuleGo 在处理复杂业务逻辑、集成外部系统、管理应用状态等方面更加强大。特别是缓存功能的加入,为需要状态管理的场景提供了原生支持,而脚本引擎的增强则让自定义逻辑开发更加便捷。
对于现有用户,建议关注节点配置语法和脚本API的变化,特别是REST API调用和脚本函数注册方式的改进。新用户可以借助这些增强功能更快地构建复杂的规则处理系统。
Kimi-K2.5Kimi K2.5 是一款开源的原生多模态智能体模型,它在 Kimi-K2-Base 的基础上,通过对约 15 万亿混合视觉和文本 tokens 进行持续预训练构建而成。该模型将视觉与语言理解、高级智能体能力、即时模式与思考模式,以及对话式与智能体范式无缝融合。Python00- QQwen3-Coder-Next2026年2月4日,正式发布的Qwen3-Coder-Next,一款专为编码智能体和本地开发场景设计的开源语言模型。Python00
xw-cli实现国产算力大模型零门槛部署,一键跑通 Qwen、GLM-4.7、Minimax-2.1、DeepSeek-OCR 等模型Go06
PaddleOCR-VL-1.5PaddleOCR-VL-1.5 是 PaddleOCR-VL 的新一代进阶模型,在 OmniDocBench v1.5 上实现了 94.5% 的全新 state-of-the-art 准确率。 为了严格评估模型在真实物理畸变下的鲁棒性——包括扫描伪影、倾斜、扭曲、屏幕拍摄和光照变化——我们提出了 Real5-OmniDocBench 基准测试集。实验结果表明,该增强模型在新构建的基准测试集上达到了 SOTA 性能。此外,我们通过整合印章识别和文本检测识别(text spotting)任务扩展了模型的能力,同时保持 0.9B 的超紧凑 VLM 规模,具备高效率特性。Python00
KuiklyUI基于KMP技术的高性能、全平台开发框架,具备统一代码库、极致易用性和动态灵活性。 Provide a high-performance, full-platform development framework with unified codebase, ultimate ease of use, and dynamic flexibility. 注意:本仓库为Github仓库镜像,PR或Issue请移步至Github发起,感谢支持!Kotlin08
VLOOKVLOOK™ 是优雅好用的 Typora/Markdown 主题包和增强插件。 VLOOK™ is an elegant and practical THEME PACKAGE × ENHANCEMENT PLUGIN for Typora/Markdown.Less00