Sermant 2.2.1版本发布:增强微服务治理能力与稳定性优化
Sermant是一个专注于微服务治理领域的开源Java Agent框架,它通过无侵入的方式为Java应用提供丰富的服务治理能力。最新发布的2.2.1版本在功能增强和问题修复方面都有显著提升,进一步强化了其在微服务治理领域的应用价值。
核心功能增强
本次版本在功能层面有两个重要改进。首先新增了Feign客户端标签透传插件,这一功能对于构建完整的微服务调用链监控体系至关重要。通过标签透传,开发者可以在分布式系统的各个服务节点间传递关键上下文信息,为全链路追踪和灰度发布等场景提供了更好的支持。
另一个重要改进是对Dubbo 3.x版本的限流和熔断功能的支持。随着Dubbo生态向3.x版本的迁移,Sermant及时跟进提供了兼容性支持,使得基于Dubbo 3.x构建的微服务体系也能享受到完善的流量治理能力。这两个增强功能使得Sermant在微服务治理领域的覆盖面更加全面。
稳定性与兼容性优化
2.2.1版本修复了多个可能影响稳定性的问题。其中针对类加载问题的修复特别值得关注,当ContextClassLoader不存在时,现在能够正确处理类的加载,这提升了框架在各种环境下的健壮性。
在xDS流量控制方面,本次更新解决了多个关键问题:
- 完善了对Okhttp2 v2.2.0的支持
- 修正了HttpUrlConnection在xDS流量控制中的重试时间计算问题
- 增加了对毫秒级时间的支持
- 调整了重试条件使其与Istio保持一致
这些改进使得Sermant的流量控制能力更加精准可靠,特别是在与Service Mesh体系集成时表现更加稳定。
消息中间件与性能监控优化
针对消息中间件场景,本次版本修复了RocketMQ重试主题SQL过滤消息在消息灰度插件中的支持问题。这一改进对于依赖RocketMQ实现异步消息处理的企业应用尤为重要,确保了消息灰度策略能够正确执行。
在性能监控方面,修复了xds路由器中路由指标收集标志未设置的问题,完善了监控数据的采集机制,为系统性能分析和优化提供了更可靠的数据支持。
安全更新
作为常规维护的一部分,本次版本更新了Netty处理器的版本,包含了最新的安全补丁和性能优化,进一步提升了框架的整体安全性。
总结
Sermant 2.2.1版本虽然是一个小版本更新,但在功能完整性和系统稳定性方面都有显著提升。特别是对Dubbo 3.x生态的支持和Feign标签透传功能的加入,使得框架在现代微服务架构中的适用性更强。各种兼容性问题的修复也使得Sermant能够在更广泛的生产环境中稳定运行。对于正在构建或升级微服务架构的企业来说,这个版本值得考虑采用。
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- QQwen3.5-397B-A17BQwen3.5 实现了重大飞跃,整合了多模态学习、架构效率、强化学习规模以及全球可访问性等方面的突破性进展,旨在为开发者和企业赋予前所未有的能力与效率。Jinja00
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
ruoyi-plus-soybeanRuoYi-Plus-Soybean 是一个现代化的企业级多租户管理系统,它结合了 RuoYi-Vue-Plus 的强大后端功能和 Soybean Admin 的现代化前端特性,为开发者提供了完整的企业管理解决方案。Vue06- 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
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