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。
kernelopenEuler内核是openEuler操作系统的核心,既是系统性能与稳定性的基石,也是连接处理器、设备与服务的桥梁。C0131
let_datasetLET数据集 基于全尺寸人形机器人 Kuavo 4 Pro 采集,涵盖多场景、多类型操作的真实世界多任务数据。面向机器人操作、移动与交互任务,支持真实环境下的可扩展机器人学习00
mindquantumMindQuantum is a general software library supporting the development of applications for quantum computation.Python059
PaddleOCR-VLPaddleOCR-VL 是一款顶尖且资源高效的文档解析专用模型。其核心组件为 PaddleOCR-VL-0.9B,这是一款精简却功能强大的视觉语言模型(VLM)。该模型融合了 NaViT 风格的动态分辨率视觉编码器与 ERNIE-4.5-0.3B 语言模型,可实现精准的元素识别。Python00
GLM-4.7-FlashGLM-4.7-Flash 是一款 30B-A3B MoE 模型。作为 30B 级别中的佼佼者,GLM-4.7-Flash 为追求性能与效率平衡的轻量化部署提供了全新选择。Jinja00
AgentCPM-ReportAgentCPM-Report是由THUNLP、中国人民大学RUCBM和ModelBest联合开发的开源大语言模型智能体。它基于MiniCPM4.1 80亿参数基座模型构建,接收用户指令作为输入,可自主生成长篇报告。Python00