GAM项目v7.07.00版本发布:全球通讯录API变更解析
GAM(Google Workspace Administration Manager)是一个功能强大的命令行工具,专门用于管理Google Workspace(原G Suite)环境。它提供了丰富的命令集,使管理员能够高效地执行用户管理、群组配置、设备控制等各类操作,极大简化了Google Workspace的管理工作流程。
版本核心变更:全球通讯录(GAL)API的移除
在2024年10月中旬,Google正式弃用了用于检索全球通讯列表(Global Address List, GAL)的API接口。这一变更直接影响了GAM工具中与GAL相关的功能模块。在v7.07.00版本中,开发团队移除了以下三个不再可用的命令:
gam info galgam print galgam show gal
这些命令原本用于查询和显示组织内的全局通讯录信息,但由于底层API的废弃,这些功能已无法正常工作。
替代解决方案
为了帮助管理员继续获取类似的信息,GAM团队提供了以下替代方案:
- 用户GAL信息获取:
gam config csv_output_row_filter "includeInGlobalAddressList:boolean:true" redirect csv ./UserGAL.csv print users fields name,gal
- 群组GAL信息获取:
gam config csv_output_row_filter "includeInGlobalAddressList:boolean:true" batch_size 25 redirect csv ./GroupGAL.csv print groups fields name,gal
这两个替代命令通过以下方式工作:
- 使用
csv_output_row_filter参数筛选包含在全局通讯录中的条目 - 通过
print users/groups命令获取用户或群组的基本信息 - 指定
name和gal字段来获取名称和GAL状态 - 使用
redirect csv将结果输出到CSV文件 - 对于群组查询,设置
batch_size 25优化批量处理效率
技术影响分析
这一变更反映了Google API生态系统的持续演进。作为管理员,理解这些变化对于维护高效的管理流程至关重要:
-
API生命周期管理:Google会定期评估和更新其API产品线,淘汰使用率低或维护成本高的接口。
-
数据获取方式的转变:新的替代方案采用更细粒度的数据查询方式,而非直接获取整个通讯列表。
-
性能考量:批量处理参数(batch_size)的引入表明新方法可能需要更精细的性能调优。
最佳实践建议
对于正在升级到v7.07.00版本的管理员,建议采取以下步骤:
-
审查自动化脚本:检查现有脚本中是否使用了被移除的GAL命令,及时替换为新的实现方式。
-
数据导出计划:如果需要历史GAL数据,应在升级前使用旧版本完成最后一次导出。
-
权限验证:确保执行替代命令的账户具有足够的权限访问用户和群组信息。
-
结果验证:首次使用新命令时,应验证输出结果的完整性和准确性。
总结
GAM v7.07.00版本的这一变更虽然移除了部分功能,但提供了更符合当前Google API规范的替代方案。这种调整体现了工具与平台API保持同步的必要性,也展示了GAM项目团队对Google Workspace生态系统变化的快速响应能力。管理员通过采用新的数据获取方法,不仅能继续完成相关工作,还能更好地适应Google API的未来发展方向。
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