RiverQueue项目v0.18.0版本发布:作业输出存储与测试框架改进
项目简介
RiverQueue是一个基于Go语言开发的高性能任务队列系统,专注于提供可靠、高效的异步任务处理能力。该项目采用PostgreSQL作为后端存储,充分利用了PostgreSQL的事务特性和可靠性保证,同时提供了简洁易用的API接口。RiverQueue特别适合需要确保任务不丢失且需要精确控制任务执行顺序的应用场景。
版本亮点
作业输出存储功能
在v0.18.0版本中,RiverQueue引入了一个重要的新特性——作业输出存储。这个功能允许作业在执行过程中将临时的、需要后续访问的JSON格式数据直接存储在作业元数据中。
技术实现上,这个功能通过river.RecordOutput函数实现,开发者可以在作业执行过程中调用此函数来存储任意可序列化为JSON的数据。这些输出数据会在作业完成时与作业状态一起被原子性地存储到数据库中,无需额外的数据库操作。
输出数据可以通过JobRow.Output()方法方便地读取。虽然PostgreSQL的JSONB字段理论上可以存储大量数据,但出于性能考虑,建议开发者将输出数据控制在合理的大小范围内。
这个特性特别适用于以下场景:
- 需要将作业执行过程中的中间结果传递给下游作业
- 需要记录作业执行的详细结果用于后续分析
- 在分布式系统中传递作业执行上下文信息
测试框架的重大改进
v0.18.0版本对rivertest.Worker测试工具进行了重大重构,这是一个破坏性变更。虽然这个变更会影响已经使用该工具的开发者,但团队认为在早期进行这样的改进是必要的,以避免未来更大的兼容性问题。
主要变更包括:
- 现在所有测试作业都必须实际插入到数据库中,不再支持纯内存测试模式
Work和WorkJob方法现在需要显式传入事务对象- 方法签名改为返回
WorkResult结构体而非直接返回错误 - 内部实现改为使用真实的
river.Client插入路径
这些改进使得测试环境更加接近生产环境,减少了测试与生产行为不一致的风险。虽然测试编写会稍显复杂(需要管理事务),但获得的测试可靠性大幅提升。
其他改进
错误堆栈优化
新版本对panic堆栈跟踪进行了优化,过滤掉了运行时包生成的无关帧和River内部救援代码的帧。这使得开发者能够更直接地看到panic的实际源头,大大简化了调试过程。
错误消息修正
修复了客户端订阅失败时错误消息中不准确的"Workers"未配置的表述,使错误提示更加准确。
编码问题修复
修复了riverdatabasesql驱动中唯一键编码的问题,提高了系统的稳定性。
升级建议
对于正在使用rivertest.Worker的开发者,需要注意这是一个破坏性变更,需要调整测试代码以适应新的API。具体来说:
- 测试用例需要显式管理数据库事务
- 需要处理新的
WorkResult返回值结构 - 所有测试作业现在都会实际写入数据库
对于新用户,这个版本提供了更完善的作业输出功能和更可靠的测试工具,是开始使用RiverQueue的良好时机。
总结
RiverQueue v0.18.0版本通过引入作业输出存储功能和改进测试框架,进一步提升了项目的实用性和可靠性。这些改进虽然带来了一些API变更,但为系统的长期稳定发展奠定了更好的基础。对于需要可靠任务队列的Go开发者来说,RiverQueue正变得越来越成熟和值得信赖。
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
GLM-4.7-FlashGLM-4.7-Flash 是一款 30B-A3B MoE 模型。作为 30B 级别中的佼佼者,GLM-4.7-Flash 为追求性能与效率平衡的轻量化部署提供了全新选择。Jinja00
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
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!Kotlin07
compass-metrics-modelMetrics model project for the OSS CompassPython00