Celery 5.5.0rc5发布:分布式任务队列的重大更新
项目简介
Celery是一个强大的分布式任务队列系统,它基于Python开发,广泛应用于异步任务处理、定时任务调度等场景。作为Python生态中最受欢迎的任务队列解决方案之一,Celery支持多种消息代理和结果后端,能够帮助开发者轻松构建可扩展的分布式系统。
核心更新内容
1. RabbitMQ Quorum队列完整支持
本次版本最重要的改进之一是提供了对RabbitMQ Quorum队列的完整支持。Quorum队列是RabbitMQ 3.8.0引入的一种新型队列,提供了更强的数据安全性和一致性保证。
新版本实现了全新的ETA机制,专门针对Quorum队列进行了优化。开发者现在可以通过broker_native_delayed_delivery_queue_type配置选项来指定延迟交付的队列类型,从而充分利用Quorum队列的特性。
2. Google Pub/Sub传输支持
Celery 5.5.0rc5新增了对Google Pub/Sub作为消息传输层的支持。这一特性为使用Google Cloud Platform的开发者提供了更多选择,使得Celery能够更好地集成到GCP生态系统中。
3. Python 3.13兼容性增强
随着Python 3.13的临近,Celery团队已经完成了对核心依赖项(包括Kombu和py-amqp)的兼容性升级,确保用户能够顺利过渡到新版本的Python。
4. 优雅的软关机机制
新版本引入了一种介于热关机和冷关机之间的"软关机"机制。这一特性通过worker_soft_shutdown_timeout配置选项启用,允许工作节点在指定的时间内继续处理正在运行的任务,超时后才进入冷关机状态。
对于使用Redis或SQS等具有可见性超时机制的代理的用户,软关机机制能够更优雅地处理未完成的任务,通过重置未确认消息的可见性超时,确保任务不会丢失。
5. Pydantic模型支持
Celery现在原生支持Pydantic模型作为任务参数和返回值。这一改进使得类型检查和数据验证更加方便,特别是在构建类型安全的分布式系统时。
6. Redis代理稳定性提升
针对长期存在的Redis连接稳定性问题,团队已经找到并修复了根本原因。这一改进显著提高了使用Redis作为消息代理时的可靠性。
7. 信号处理改进
REMAP_SIGTERM特性现在被正式支持并完善了文档。这一功能允许用户将SIGTERM信号重新映射为SIGQUIT,从而使用TERM信号来启动软关机或冷关机流程。
其他重要改进
- 修复了Cassandra后端端口设置不生效的问题
- 优化了任务链中包含组任务时的处理逻辑
- 修正了Django集成中数据库连接关闭时的错误处理
- 改进了内存限制的计算方式(现在正确使用1024字节作为1KB)
- 修复了通过标记头撤销任务时的边界情况
- 改进了和弦任务中嵌套和弦的错误处理
升级建议
对于正在使用Celery的生产环境,建议先在测试环境中验证5.5.0rc5版本的兼容性。特别是使用以下特性的用户需要重点关注:
- 使用RabbitMQ Quorum队列的用户应测试新的ETA机制
- 计划迁移到Google Pub/Sub传输层的用户
- 需要更优雅关机机制的环境
- 使用Redis作为代理且曾遇到稳定性问题的部署
新版本带来了多项重要改进和稳定性提升,是值得考虑升级的版本。团队鼓励用户积极测试并提供反馈,以帮助完善即将发布的正式版。
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