Coolify v4.0.0-beta.402 版本发布:支持PR部署与多语言增强
Coolify 是一个开源的、自托管的云部署平台,旨在简化应用程序的部署和管理流程。它支持多种编程语言和框架,提供了从代码提交到生产环境部署的一站式解决方案。Coolify 的设计理念是让开发者能够更专注于代码本身,而不是繁琐的部署和运维工作。
主要更新内容
1. Pull Request 部署支持
本次更新最引人注目的功能是新增了对 Pull Request(PR)部署的支持。这一功能允许开发团队通过 API 直接触发 PR 的部署流程,极大地简化了代码审查和测试环境的创建过程。开发者在提交 PR 后,可以立即获得一个独立的测试环境,方便进行功能验证和代码审查。
2. 挪威语支持
为了满足更广泛的用户群体,Coolify 现在新增了对挪威语的支持。这一改进使得挪威语用户能够使用母语操作平台,提升了用户体验。多语言支持一直是 Coolify 关注的重点,未来预计会加入更多语言选项。
3. 技术栈升级
开发团队将整个平台升级到了 Laravel 12 框架,这是一个重要的技术栈更新。Laravel 12 带来了性能优化、安全性增强和新特性支持。同时,所有依赖包也进行了版本升级,确保平台使用最新的、最稳定的第三方组件。
安全性与稳定性改进
1. SSL 证书处理优化
对于数据库的 SSL 加密连接,Coolify 现在能够更智能地处理证书问题。当检测到服务器缺少 CA 证书时,系统会自动生成所需的证书,确保加密连接能够正常建立。这一改进减少了手动配置的工作量,提高了安全性。
2. 数据库字段加密调整
开发团队对数据库中的敏感字段加密策略进行了优化。移除了对 mount 和 fs_path 字段的加密,因为这些字段不包含敏感信息,且保持明文更便于搜索和调试。同时修复了因加密导致的字段重复问题,提高了数据一致性。
服务模板更新
多个服务模板得到了更新和优化:
- Minecraft 服务器模板进行了调整,优化了 Java 环境的配置
- 改进了 Plausible 分析服务中 Google 相关的设置
- 升级了 Authentik 身份验证服务的版本,提供更强大的身份管理功能
- 完善了 Wakapi 服务的环境变量配置
开发者体验改进
- 修复了应用日志排水的相关问题,确保日志收集系统稳定运行
- 改进了 Infisical 的变量配置,增强了密钥管理能力
- 优化了定时任务的配置选项,移除了无效的启动间隔设置
总结
Coolify v4.0.0-beta.402 版本带来了多项实用功能和重要改进,特别是 PR 部署支持将显著提升团队的开发效率。技术栈的升级为平台未来的发展奠定了更坚实的基础,而安全性和稳定性的持续优化则确保了生产环境的可靠性。多语言支持的扩展也体现了项目对国际化用户体验的重视。这些改进共同使 Coolify 成为一个更加强大、易用的自托管部署解决方案。
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