Rage框架v1.16.0发布:原生WebSocket支持与初始化钩子增强
Rage是一个基于Ruby的高性能Web框架,它结合了Ruby的简洁语法与现代Web开发的最佳实践。作为Rails的轻量级替代方案,Rage特别注重性能优化和开发体验,同时保持了Ruby开发者熟悉的开发模式。
原生WebSocket协议支持
本次v1.16.0版本最显著的改进是引入了全新的RawWebSocketJson协议。这一创新特性彻底改变了开发者与Rage::Cable(Rage的实时通信组件)交互的方式。
传统上,Ruby的WebSocket实现通常依赖于Action Cable及其前端库@rails/actioncable。这种架构虽然功能完善,但也带来了额外的依赖和复杂性。Rage团队通过引入RawWebSocketJson协议,现在开发者可以直接使用浏览器原生的WebSocket对象进行通信,无需引入任何额外的前端库。
这种原生支持带来了几个显著优势:
- 更小的包体积:前端应用不再需要包含@rails/actioncable,减少了JavaScript包的大小
- 更简单的集成:直接使用WebSocket API,减少了学习新API的成本
- 更好的性能:去除了中间层,通信更加直接高效
在实际使用中,开发者现在可以这样建立连接:
const socket = new WebSocket("ws://localhost:3000/cable");
socket.onmessage = (event) => {
const data = JSON.parse(event.data);
// 处理消息
};
初始化生命周期钩子
另一个重要改进是新增了after_initialize钩子。这个特性为应用启动过程提供了更精细的控制能力,允许开发者在框架完成初始化后执行自定义代码。
在大型应用中,初始化顺序往往非常重要。有了after_initialize钩子,开发者可以确保某些配置或服务只在框架完全就绪后才开始运行。典型用例包括:
- 数据库连接池的预热
- 缓存预加载
- 后台任务调度器的启动
- 第三方服务连接测试
使用示例:
Rage.configure do |config|
config.after_initialize do
# 在这里放置初始化后需要执行的代码
WarmCacheJob.perform_async
end
end
OpenAPI改进
本次版本还对OpenAPI集成进行了两项重要修复:
- 关联中的key选项:现在能够正确处理模型关联中指定的key选项,确保了API文档生成的准确性
- root_key!方法:修复了在使用root_key!方法时的处理逻辑,使API响应结构更加符合预期
这些改进使得Rage的API文档生成更加可靠,特别是在处理复杂的数据结构时。
测试增强
针对测试工具链,v1.16.0修复了纯文本响应的解析问题。这意味着在RSpec测试中,对于返回纯文本内容的端点,现在能够正确捕获和断言响应内容,提高了测试的准确性和可靠性。
升级建议
对于现有项目,升级到v1.16.0的过程应该是平滑的。主要注意事项包括:
- 如果使用了WebSocket功能,可以考虑迁移到新的原生协议以简化前端代码
- 利用新的after_initialize钩子优化启动流程
- 检查OpenAPI文档生成是否因修复而发生变化
这个版本体现了Rage框架对开发者体验的持续关注,通过减少依赖、增加灵活性和修复痛点,使Ruby Web开发更加高效愉快。无论是新项目还是现有项目,都值得考虑采用这些新特性来提升开发效率和运行时性能。
GLM-5智谱 AI 正式发布 GLM-5,旨在应对复杂系统工程和长时域智能体任务。Jinja00
GLM-5-w4a8GLM-5-w4a8基于混合专家架构,专为复杂系统工程与长周期智能体任务设计。支持单/多节点部署,适配Atlas 800T A3,采用w4a8量化技术,结合vLLM推理优化,高效平衡性能与精度,助力智能应用开发Jinja00
请把这个活动推给顶尖程序员😎本次活动专为懂行的顶尖程序员量身打造,聚焦AtomGit首发开源模型的实际应用与深度测评,拒绝大众化浅层体验,邀请具备扎实技术功底、开源经验或模型测评能力的顶尖开发者,深度参与模型体验、性能测评,通过发布技术帖子、提交测评报告、上传实践项目成果等形式,挖掘模型核心价值,共建AtomGit开源模型生态,彰显顶尖程序员的技术洞察力与实践能力。00
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
MiniMax-M2.5MiniMax-M2.5开源模型,经数十万复杂环境强化训练,在代码生成、工具调用、办公自动化等经济价值任务中表现卓越。SWE-Bench Verified得分80.2%,Multi-SWE-Bench达51.3%,BrowseComp获76.3%。推理速度比M2.1快37%,与Claude Opus 4.6相当,每小时仅需0.3-1美元,成本仅为同类模型1/10-1/20,为智能应用开发提供高效经济选择。【此简介由AI生成】Python00
Qwen3.5Qwen3.5 昇腾 vLLM 部署教程。Qwen3.5 是 Qwen 系列最新的旗舰多模态模型,采用 MoE(混合专家)架构,在保持强大模型能力的同时显著降低了推理成本。00- RRing-2.5-1TRing-2.5-1T:全球首个基于混合线性注意力架构的开源万亿参数思考模型。Python00