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。
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
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