Fury项目实现JPMS模块化命名的技术实践
背景介绍
Apache Fury作为一款高性能的序列化框架,随着Java平台模块系统(JPMS)的普及,面临着向模块化转型的需求。在传统的Java应用中,类路径(Classpath)机制存在"JAR地狱"等问题,而JPMS通过模块化设计提供了更好的封装性和可靠性。
问题分析
当开发者将Fury集成到模块化应用时,Maven编译器会发出警告,提示检测到基于文件名的自动模块(automatic modules)。这种警告表明项目尚未完全适配JPMS规范,可能影响未来的维护和发布。
解决方案选择
针对Fury的现状,技术团队评估了两种模块化方案:
-
最小化改造方案:通过在MANIFEST.MF中添加Automatic-Module-Name条目,这是最轻量级的解决方案,不会影响现有构建流程,可通过maven-jar-plugin配置实现。
-
完整模块化方案:提供完整的module-info.java描述符,这需要构建过程支持多版本编译或生成多版本JAR(Multi-Release JAR)。虽然功能更完整,但实现复杂度高,且依赖链中的其他库(如Guava)也需要支持JPMS。
考虑到项目依赖和兼容性要求,团队决定优先采用第一种方案作为过渡,为未来完整模块化奠定基础。
模块命名规范
在确定模块名称时,团队遵循了以下原则:
- 采用反向域名命名惯例
- 保持与Maven坐标的逻辑对应
- 确保名称简洁明了
最终确定的命名模式为:
- 核心模块:org.apache.fury.core
- 格式模块:org.apache.fury.format
- 测试模块采用类似但分层的命名结构
技术实现细节
实现过程中,通过Maven插件配置自动生成模块名称:
<plugin>
<groupId>org.apache.maven.plugins</groupId>
<artifactId>maven-jar-plugin</artifactId>
<configuration>
<archive>
<manifestEntries>
<Automatic-Module-Name>org.apache.fury.core</Automatic-Module-Name>
</manifestEntries>
</archive>
</configuration>
</plugin>
这种配置方式确保了:
- 向后兼容Java 8及更早版本
- 在Java 9+环境中提供明确的模块标识
- 不影响现有构建流程和依赖管理
未来演进方向
虽然当前采用了过渡方案,但团队已经规划了完整的JPMS支持路线图:
-
多阶段编译策略:先以Java 9编译module-info.java进行验证,再以Java 8编译其他代码,平衡兼容性和模块化验证需求。
-
依赖生态适配:等待关键依赖(如Guava)提供官方JPMS支持,或逐步替换这些依赖。
-
构建工具优化:评估使用多版本JAR的可能性,虽然会增加构建复杂度,但能提供更干净的模块边界。
实践建议
对于面临类似模块化转型的Java项目,建议:
- 从Automatic-Module-Name开始,逐步演进
- 模块命名应保持稳定,避免后续破坏性变更
- 在CI流程中加入模块化验证步骤
- 优先确保向后兼容性,特别是对仍在使用Java 8的用户
Fury项目的这一实践为其他中间件类库的模块化转型提供了有价值的参考案例,展示了如何在保持兼容性的同时向现代Java模块系统演进的技术路径。
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