Spring Modulith 1.4 M1 发布:模块化架构的新篇章
Spring Modulith 是一个专注于帮助开发者构建模块化 Spring Boot 应用程序的框架。它提供了一套工具和方法论,使得在单体应用中实现清晰的模块边界、依赖管理和架构可视化成为可能。通过 Spring Modulith,开发者可以享受到模块化架构带来的好处,同时保留单体应用部署的便利性。
核心特性更新
1. AWS 集成迁移
1.4 M1 版本中移除了对 AWS 的直接集成,转而推荐使用 Spring Cloud AWS 的端口实现。这一变化体现了 Spring Modulith 更加专注于核心模块化功能,而将云服务集成这类功能交给更专业的项目来处理。开发者现在可以通过 Spring Cloud AWS 来获得更完整、更稳定的 AWS 服务集成能力。
2. 编程式接口检测
新版本引入了通过编程方式检测 NamedInterfaces 的能力。这一改进使得开发者可以更灵活地定义和识别模块间的接口契约,不再局限于注解方式。例如,现在可以通过代码动态注册接口作为模块间的通信契约,这对于需要动态生成接口或条件化加载接口的场景特别有用。
3. 迁移至 Micrometer Observations API
Spring Modulith 1.4 M1 将其监控指标系统迁移到了 Micrometer 的 Observations API。这一变化带来了更现代化、更一致的监控体验,与 Spring 生态系统的其他部分保持同步。Observations API 提供了更丰富的上下文信息,能够更好地支持分布式追踪场景,同时也简化了监控配置。
架构可视化增强
1. PlantUML 图表定制
新版本允许开发者为生成的 PlantUML 图表注册皮肤参数,这意味着可以更精细地控制架构图的视觉呈现。开发者现在可以定义统一的颜色方案、字体样式等,使生成的架构图更符合团队或企业的视觉规范。
2. 应用模块画布改进
应用模块画布(Application Module Canvas)的渲染效果得到了显著提升。这一可视化工具现在能够更清晰地展示模块间的依赖关系、接口定义和事件流,帮助团队更好地理解和沟通系统架构。
开发者体验优化
1. 模块元数据检测增强
ModulithMetadata.of(String) 方法现在能够自动检测给定包路径下使用 @Modulithic 注解的类。这一改进简化了模块化配置,减少了样板代码,使得开发者可以更专注于业务模块的定义。
2. 违规检测过滤
新版本提供了对架构违规(Violations)的过滤能力。当验证模块边界时,开发者现在可以定义哪些类型的违规应该被忽略,这对于渐进式迁移现有项目或处理特殊情况非常有用。
3. 文档内联代码处理改进
Asciidoctor 集成现在能够更准确地处理本地方法引用,解决了之前版本中内联代码生成不正确的问题。这使得生成的文档更加准确可靠。
技术栈升级
Spring Modulith 1.4 M1 同步升级了其依赖的技术栈:
- 基于 Spring Boot 3.5 M1 构建
- 采用 Micrometer Tracing 1.5 M1 实现分布式追踪
- 升级至 ArchUnit 0.29 版本,提供更强大的架构测试能力
- 使用 Structurizr 3.1 进行架构可视化
这些升级确保了 Spring Modulith 能够充分利用最新 Spring 生态系统提供的功能和性能改进。
实际应用建议
对于考虑采用 Spring Modulith 的团队,1.4 M1 版本带来了几个值得注意的变化:
-
迁移策略:如果项目当前使用了 Spring Modulith 的 AWS 集成,需要规划迁移到 Spring Cloud AWS 的方案。
-
监控调整:由于迁移到了 Observations API,现有的监控仪表盘可能需要相应调整以适配新的指标格式。
-
架构验证:新的违规过滤功能可以帮助团队更灵活地处理遗留代码的模块化迁移,可以制定分阶段的架构改进计划。
-
文档生成:利用增强的 PlantUML 支持,团队可以建立统一的架构图视觉标准,提升文档的专业性和一致性。
Spring Modulith 1.4 M1 的这些改进,使得在 Spring Boot 应用中实施模块化架构变得更加简单和高效,为构建可维护、可扩展的企业级应用提供了坚实的基础。
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