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。
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- QQwen3-Coder-Next2026年2月4日,正式发布的Qwen3-Coder-Next,一款专为编码智能体和本地开发场景设计的开源语言模型。Python00
xw-cli实现国产算力大模型零门槛部署,一键跑通 Qwen、GLM-4.7、Minimax-2.1、DeepSeek-OCR 等模型Go06
PaddleOCR-VL-1.5PaddleOCR-VL-1.5 是 PaddleOCR-VL 的新一代进阶模型,在 OmniDocBench v1.5 上实现了 94.5% 的全新 state-of-the-art 准确率。 为了严格评估模型在真实物理畸变下的鲁棒性——包括扫描伪影、倾斜、扭曲、屏幕拍摄和光照变化——我们提出了 Real5-OmniDocBench 基准测试集。实验结果表明,该增强模型在新构建的基准测试集上达到了 SOTA 性能。此外,我们通过整合印章识别和文本检测识别(text spotting)任务扩展了模型的能力,同时保持 0.9B 的超紧凑 VLM 规模,具备高效率特性。Python00
KuiklyUI基于KMP技术的高性能、全平台开发框架,具备统一代码库、极致易用性和动态灵活性。 Provide a high-performance, full-platform development framework with unified codebase, ultimate ease of use, and dynamic flexibility. 注意:本仓库为Github仓库镜像,PR或Issue请移步至Github发起,感谢支持!Kotlin08
VLOOKVLOOK™ 是优雅好用的 Typora/Markdown 主题包和增强插件。 VLOOK™ is an elegant and practical THEME PACKAGE × ENHANCEMENT PLUGIN for Typora/Markdown.Less00