Rocket.Chat 7.4.0版本发布:企业级即时通讯平台的重要更新
Rocket.Chat是一款开源的即时通讯平台,专为企业级通信需求设计,提供团队协作、客户支持、视频会议等一体化解决方案。作为一款可自托管的Slack替代品,它支持丰富的扩展功能和高度定制化,广泛应用于企业内部沟通和客户服务场景。
核心功能增强
本次7.4.0版本在API端点和系统集成方面进行了多项重要改进:
-
房间管理API扩展:新增了
rooms.hide端点,允许通过房间ID隐藏任何类型的房间,为管理员提供了更灵活的聊天空间管理能力。 -
多渠道客服增强:
livechat/rooms端点现在支持按多个部门和客服单元进行筛选,大幅提升了大型客服中心的管理效率。 -
响应时间计算优化:新增设置选项允许排除机器人消息在平均响应时间计算之外,使客服绩效评估更加准确。
-
系统消息事件追踪:引入
IPostSystemMessageSent事件,开发者现在可以精确追踪系统消息的发送情况,便于构建更复杂的自动化工作流。
用户体验优化
7.4.0版本在多处细节上提升了用户交互体验:
-
视频会议改进:用户现在可以自定义视频会议铃声和拨号音的音量,解决了之前总是以最大音量播放的问题。
-
消息排序增强:
im.messages和dm.messages端点支持多参数排序,使消息检索更加灵活。 -
角色可见性优化:将Leader组别加入房间成员列表,提高了团队角色管理的透明度。
-
权限搜索改进:重构了权限搜索功能,使管理员能更快速定位和配置所需权限。
安全与稳定性提升
本版本包含了多项安全加固和稳定性改进:
-
FCM推送通知:将默认推送通知服务从已废弃的GCM迁移至FCM,确保移动端消息推送的可靠性。
-
OTR会话清理:即时清理结束的OTR(端到端加密)会话消息,增强隐私保护。
-
输入验证强化:在ECDH和Livechat错误处理中引入"DOMPurify"和"he"进行输入净化,防范XSS攻击。
-
事务处理改进:使Omnichannel会话启动过程具备事务性,确保在高并发情况下的数据一致性。
技术架构升级
7.4.0版本对底层技术栈进行了更新:
-
运行时环境:Node.js版本升级至22.13.1,MongoDB支持5.0、6.0和7.0版本。
-
应用引擎:Apps-Engine升级至1.49.0版本,为开发者提供了更多扩展能力。
-
性能优化:更新至Meteor 3.1.2框架,提升了整体系统性能。
开发者工具增强
针对应用开发者,本版本提供了多项改进:
-
隐藏设置访问控制:允许明确指定哪些隐藏设置可以通过应用引擎访问,提高安全性。
-
线程消息过滤:在Apps Engine的room read/unread消息桥接中增加线程过滤选项。
-
异常处理增强:为OAuth应用添加/更新操作添加了wrapExceptions处理,避免未捕获的Promise拒绝。
-
元数据导出:在JSON消息导出中现在包含文件类型附件的元数据,便于数据迁移和分析。
总结
Rocket.Chat 7.4.0版本在功能丰富性、用户体验和系统稳定性方面都做出了显著改进。特别是对大型企业和客服中心场景的优化,以及对开发者工具的增强,使得这个开源通讯平台在企业协作领域更具竞争力。技术栈的更新也为未来的功能扩展奠定了更好的基础。对于现有用户而言,升级到这个版本将获得更安全、更稳定的通讯体验,同时为管理员和开发者提供了更多控制权和灵活性。
AutoGLM-Phone-9BAutoGLM-Phone-9B是基于AutoGLM构建的移动智能助手框架,依托多模态感知理解手机屏幕并执行自动化操作。Jinja00
Kimi-K2-ThinkingKimi K2 Thinking 是最新、性能最强的开源思维模型。从 Kimi K2 开始,我们将其打造为能够逐步推理并动态调用工具的思维智能体。通过显著提升多步推理深度,并在 200–300 次连续调用中保持稳定的工具使用能力,它在 Humanity's Last Exam (HLE)、BrowseComp 等基准测试中树立了新的技术标杆。同时,K2 Thinking 是原生 INT4 量化模型,具备 256k 上下文窗口,实现了推理延迟和 GPU 内存占用的无损降低。Python00
GLM-4.6V-FP8GLM-4.6V-FP8是GLM-V系列开源模型,支持128K上下文窗口,融合原生多模态函数调用能力,实现从视觉感知到执行的闭环。具备文档理解、图文生成、前端重构等功能,适用于云集群与本地部署,在同类参数规模中视觉理解性能领先。Jinja00
HunyuanOCRHunyuanOCR 是基于混元原生多模态架构打造的领先端到端 OCR 专家级视觉语言模型。它采用仅 10 亿参数的轻量化设计,在业界多项基准测试中取得了当前最佳性能。该模型不仅精通复杂多语言文档解析,还在文本检测与识别、开放域信息抽取、视频字幕提取及图片翻译等实际应用场景中表现卓越。00
GLM-ASR-Nano-2512GLM-ASR-Nano-2512 是一款稳健的开源语音识别模型,参数规模为 15 亿。该模型专为应对真实场景的复杂性而设计,在保持紧凑体量的同时,多项基准测试表现优于 OpenAI Whisper V3。Python00
GLM-TTSGLM-TTS 是一款基于大语言模型的高质量文本转语音(TTS)合成系统,支持零样本语音克隆和流式推理。该系统采用两阶段架构,结合了用于语音 token 生成的大语言模型(LLM)和用于波形合成的流匹配(Flow Matching)模型。 通过引入多奖励强化学习框架,GLM-TTS 显著提升了合成语音的表现力,相比传统 TTS 系统实现了更自然的情感控制。Python00
Spark-Formalizer-X1-7BSpark-Formalizer 是由科大讯飞团队开发的专用大型语言模型,专注于数学自动形式化任务。该模型擅长将自然语言数学问题转化为精确的 Lean4 形式化语句,在形式化语句生成方面达到了业界领先水平。Python00