Dj-Stripe 2.9.0版本发布:重大更新与现代化升级
Dj-Stripe是一个将Stripe支付系统深度集成到Django框架中的开源项目,它提供了完整的Stripe API封装和Django模型映射,使开发者能够轻松地在Django应用中处理支付、订阅、发票等金融业务。最新发布的2.9.0版本带来了多项重要更新,标志着该项目向现代化技术栈迈出了重要一步。
核心变更与破坏性更新
Dj-Stripe 2.9.0版本包含了几项重要的破坏性变更,开发者需要特别注意:
-
移除废弃功能:包括DJSTRIPE_WEBHOOK_TOLERANCE、DJSTRIPE_WEBHOOK_SECRET设置项,以及Order模型和Source相关模型的直接支持。这些功能在之前的版本中已被标记为废弃,现在正式移除。
-
Webhook处理改进:移除了对未存储在数据库中的旧版webhook的支持,同时新增了对APPEND_SLASH=False配置的支持,这要求开发者更新Stripe端的webhook配置以移除结尾斜杠。
-
支付方法简化:移除了不支持的Customer.add_card方法,使API更加简洁。
技术栈升级与版本支持
本次版本对技术栈支持进行了重大调整:
-
Python与Django版本:最低要求提升至Python 3.10和Django 4.2,放弃了对旧版本的支持,使项目能够充分利用现代Python和Django的特性。
-
数据库驱动:新增了对纯Python实现的Psycopg 3(psycopg)包的支持,为PostgreSQL用户提供了更多选择。
-
Stripe SDK:最低Stripe SDK版本提升至8.0.0,确保与Stripe最新API的兼容性。
重要功能改进
-
stripe_data字段:所有模型新增了stripe_data字段,存储完整的Stripe原始数据。这一变更旨在为未来的3.0版本做准备,届时模型结构将有重大调整。
-
Webhook验证改进:DJSTRIPE_WEBHOOK_VALIDATION设置被弃用,转而支持WebhookEndpoint模型上的djstripe_validation_method字段,允许按端点配置验证方法。
-
枚举字段优化:所有枚举字段的最大长度统一设置为255,解决了向前兼容性问题。
问题修复与稳定性提升
2.9.0版本修复了多个关键问题:
-
Stripe Identity支持:修复了与Stripe身份验证相关的多个问题。
-
财务信息处理:修正了非客户关联财务信息的支持问题。
-
退款处理:解决了连接账户退款对象处理的问题。
-
发票同步:修复了处理带有空折扣的发票时可能发生的崩溃问题。
-
订阅激活:修正了当计划为None时Subscription.reactivate()的问题。
-
长收据号支持:改进了对长收据编号的处理。
向后兼容性建议
对于正在使用Dj-Stripe的项目,升级到2.9.0版本需要注意:
-
检查是否使用了任何已移除的API或设置,如Customer.add_card方法或旧版webhook处理。
-
如果项目依赖特定的SQL查询访问Dj-Stripe模型,建议改为查询stripe_data JSON字段,以减少未来版本升级时的工作量。
-
对于Webhook配置,需要根据APPEND_SLASH设置调整Stripe端的URL配置。
-
考虑将Webhook验证配置迁移到新的基于端点的系统。
Dj-Stripe 2.9.0版本的发布标志着该项目向更现代化、更稳定的方向迈进,虽然带来了一些破坏性变更,但这些改进为未来的功能扩展和性能优化奠定了坚实基础。对于新项目,建议直接采用此版本;对于现有项目,建议在测试环境中充分验证后再进行升级。
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