Sentry-go v0.31.0 版本发布:重大变更与功能增强
Sentry-go 是 Sentry 官方提供的 Go 语言 SDK,用于帮助开发者监控和追踪应用程序中的错误和性能问题。作为 Go 生态系统中重要的错误监控工具,它提供了丰富的功能来捕获异常、记录日志并与 Sentry 服务集成。
重大变更
移除 Metrics 和 Profiling 支持
本次版本移除了对 Metrics(指标)和 Profiling(性能分析)功能的支持。Metrics 功能已于 2023 年 10 月 7 日结束 Beta 测试阶段,而 Profiling 功能也被移除。开发者需要寻找替代方案来实现这些功能。
用户数据结构变更
User 结构体中的 Segment 字段已被移除,因为该字段在 Sentry 产品中不再使用。开发者需要检查代码中是否有对该字段的引用并进行相应修改。
模块化集成
一个重要的架构变化是将每个集成作为单独的模块发布。这一变化显著减少了二进制文件大小和依赖项数量。升级后,开发者需要显式获取所需的集成模块。例如,要使用 Echo 框架集成,需要执行 go get github.com/getsentry/sentry-go/echo 命令。
新功能
上下文 Hub 覆盖
新增了在自定义上下文中覆盖 hub 的能力,这为使用自定义上下文的集成提供了更大的灵活性。开发者现在可以更精细地控制不同上下文中的 Sentry 行为。
Logrus 集成增强
为 sentrylogrus 增加了 HubProvider 钩子,支持为每个日志条目或 goroutine 动态分配 Sentry hub。这一改进符合 Sentry 推荐的每个 goroutine 使用独立 hub 的最佳实践。
示例配置展示了如何为每个 goroutine 创建独立的 Sentry hub:
hook, err := sentrylogrus.New(nil, sentry.ClientOptions{})
hook.SetHubProvider(func() *sentry.Hub {
client, _ := sentry.NewClient(sentry.ClientOptions{})
return sentry.NewHub(client, sentry.NewScope())
})
logrus.AddHook(hook)
问题修复
防止 Goroutine 泄漏
HTTPTransport 现在支持关闭工作 goroutine,解决了潜在的 goroutine 泄漏问题。开发者可以通过调用 client.Close() 或直接调用 transport.Close() 来确保资源正确释放。需要注意的是,Close 应该在 Flush 之后调用,以避免事件丢失。
其他改进
Gin 框架集成已更新至 v1.9.1 版本,确保与最新版 Gin 的兼容性。
升级建议
对于正在使用 Sentry-go 的开发者,升级到 v0.31.0 版本需要注意以下几点:
- 检查并移除所有对 Metrics 和 Profiling 功能的依赖
- 更新 User 结构体的使用,移除 Segment 字段
- 显式获取所需的集成模块
- 考虑实现 HubProvider 来优化 goroutine 级别的监控
- 确保正确关闭 HTTPTransport 以防止资源泄漏
这次更新虽然包含了一些破坏性变更,但带来了更好的模块化设计和更精细的控制能力,长期来看将提升开发体验和系统稳定性。
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