Apache Shenyu 2.7.0.1版本发布:网关性能优化与AI插件增强
Apache Shenyu作为一款高性能、可扩展的API网关,在微服务架构中扮演着重要角色。它提供了丰富的功能集,包括动态路由、流量控制、熔断降级等,同时支持多种协议和插件扩展。最新发布的2.7.0.1版本带来了多项重要改进,特别是在性能优化、AI插件增强和问题修复方面。
核心改进与优化
1. 性能优化与稳定性提升
本次版本对多个核心组件进行了性能优化。在日志收集方面,通过优化日志压缩处理机制,解决了日志gzip格式混乱的问题,显著提升了日志处理效率。同时,对BodyParamUtils工具类进行了重构,引入Caffeine缓存机制,减少了重复计算,提高了参数处理的响应速度。
在缓存管理方面,修复了Nacos作为同步中心时规则缓存无法删除的问题,确保了缓存一致性。MetaDataCache组件增加了空指针保护机制,避免了潜在的NPE异常。这些改进共同提升了网关的整体稳定性和可靠性。
2. AI插件生态增强
2.7.0.1版本重点加强了AI相关插件的能力:
- 新增AI Proxy插件,为AI服务提供了统一的代理接入层
- 引入AI Token限流插件,能够对AI服务的访问进行精细化的流量控制
- 开发AI Prompt插件,支持对AI模型的输入提示进行统一管理
- 优化了AI插件的SQL存储结构,确保数据持久化的可靠性
这些增强使得Apache Shenyu能够更好地服务于AI应用场景,为企业级AI服务提供了完善的网关支持。
3. 协议与序列化支持
在协议支持方面,本次版本主要做了以下改进:
- 完善了Dubbo协议对protobuf序列化的支持
- 修复了Dubbo方法配置在引用时的处理逻辑
- 优化了H2数据库中JSON数据的存储格式
- 增强了API文档生成功能,能够正确解析返回类型
这些改进使得Apache Shenyu能够更好地支持复杂的微服务调用场景,特别是对于使用Dubbo和gRPC等RPC框架的系统。
问题修复与稳定性增强
2.7.0.1版本修复了多个关键问题:
- 修复了HTTP轮询模式下的若干bug,提高了长轮询连接的稳定性
- 解决了2.6.1版本客户端注册失败的问题,确保服务发现机制可靠运行
- 修正了命名空间删除时的错误处理逻辑
- 修复了管理员导入配置时的异常问题
- 解决了资源表主键冲突的问题
针对日志组件,修复了Elasticsearch、腾讯云日志和阿里云日志配置修改后无法正确刷新的问题,确保日志配置能够实时生效。
架构与代码质量提升
在架构层面,本次版本引入了shenyu-infra基础模块,为后续功能扩展提供了统一的基础设施支持。同时重构了服务发现插件,移除了springcloud插件,使架构更加清晰。
代码质量方面也有显著提升:
- 使用Checkstyle规范代码,避免直接使用==null检查
- 优化了断言(assert)关键字的使用
- 增加了大量单元测试,包括RestTemplateConfiguration、ShenyuControllerEndpoint等核心组件
- 通过@Transactional注解确保数据一致性
- 重构了多个模块的代码结构,包括shenyu-sync-data、shenyu-registry等
开发者体验改进
为提升开发者体验,本次版本做了以下改进:
- 升级了Gitpod配置,支持Java开发环境
- 优化了CI流程,升级了CodeQL版本
- 完善了上传JAR包的校验机制
- 提供了更完善的升级SQL脚本,确保从2.6.1到2.7.0的平滑升级
总结
Apache Shenyu 2.7.0.1版本在性能、功能和稳定性方面都有显著提升,特别是对AI场景的支持使其应用范围进一步扩大。通过持续优化核心架构和增强插件生态,Shenyu正逐步成为企业级API网关的首选解决方案。开发者可以基于此版本构建更加稳定、高效的微服务架构,同时享受更完善的AI服务集成能力。
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