Litlyx v0.0.17版本发布:强化自托管安全与用户体验优化
项目简介
Litlyx是一个开源的链接管理与分析平台,专注于为用户提供简洁高效的链接跟踪、数据统计和访问分析功能。作为一个轻量级的解决方案,Litlyx特别适合需要自托管部署的企业和个人开发者,能够帮助他们更好地理解用户行为并优化营销策略。
版本核心更新
自托管安全增强
本次发布的v0.0.17版本在自托管部署方面进行了重要安全升级:
-
认证机制强化:移除了原有的管理员直接访问权限,引入了标准的用户名/密码认证流程。这一改变显著提升了系统的安全性,防止未经授权的访问。
-
Docker配置更新:对应的docker-compose.yaml文件新增了两个关键配置项,用于支持新的认证系统。部署时需要特别注意这些新增参数的配置。
用户体验优化
开发团队针对用户反馈进行了多项界面和功能改进:
-
加载状态优化:改进了顶部卡片区域的加载指示器,当数据加载时间过长时会自动隐藏加载标签,避免给用户造成困扰。
-
界面元素调整:
- 移除了"All Domains"旁边的刷新按钮,简化界面
- 将"Update Domains"重命名为更直观的"Manage"并配以齿轮图标
- 统一了文本大小写规范,如"ALL DOMAINS"改为"All Domains"
-
路径支持增强:设置功能现在全面支持路径配置,为高级用户提供了更灵活的定制选项。
功能修复与稳定性提升
-
邮件系统修复:解决了确认邮件状态返回400错误的问题,确保邮件通知系统可靠运行。
-
数据导出功能:新增了事件数据的CSV导出支持,方便用户进行离线分析。
-
报表系统修复:
- 修复了报表页面可能出现的500错误
- 解决了"Litlyx All Time"图表显示异常问题
- 修正了"litlyx-landing"最近一周AI访问量显示错误(从2000修正为800)
-
可视化优化:
- 确保"Custom Tab"在白色主题下保持可见
- 修复了堆叠事件条形图中"?"符号显示问题
技术实现要点
本次更新涉及前后端多项技术调整:
-
认证系统重构:后端实现了基于用户名/密码的认证流程,同时保持与原有系统的兼容性。
-
Docker部署适配:新增的环境变量配置需要特别注意,部署时应参考更新后的文档说明。
-
数据可视化优化:对图表渲染逻辑进行了精细调整,确保数据展示的准确性和一致性。
-
错误处理机制:增强了系统的错误捕获和处理能力,特别是对邮件系统和报表生成的关键路径进行了加固。
升级建议
对于现有用户,升级到v0.0.17版本时需要注意:
-
自托管用户需要更新docker-compose.yaml文件,添加新的认证相关配置项。
-
升级后首次登录需要使用配置的用户名和密码,不再支持直接管理员访问。
-
建议在升级前备份重要数据,特别是自定义的路径配置。
-
对于依赖API集成的用户,需要检查认证方式的变更是否影响现有集成。
总结
Litlyx v0.0.17版本在安全性和用户体验方面做出了重要改进,特别是自托管部署的安全增强和多项界面优化,使平台更加成熟可靠。这些更新体现了开发团队对产品质量的持续追求和对用户反馈的积极响应,为后续功能扩展奠定了坚实基础。
ERNIE-4.5-VL-28B-A3B-ThinkingERNIE-4.5-VL-28B-A3B-Thinking 是 ERNIE-4.5-VL-28B-A3B 架构的重大升级,通过中期大规模视觉-语言推理数据训练,显著提升了模型的表征能力和模态对齐,实现了多模态推理能力的突破性飞跃Python00
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
MiniMax-M2MiniMax-M2是MiniMaxAI开源的高效MoE模型,2300亿总参数中仅激活100亿,却在编码和智能体任务上表现卓越。它支持多文件编辑、终端操作和复杂工具链调用Python00
HunyuanVideo-1.5HunyuanVideo-1.5作为一款轻量级视频生成模型,仅需83亿参数即可提供顶级画质,大幅降低使用门槛。该模型在消费级显卡上运行流畅,让每位开发者和创作者都能轻松使用。本代码库提供生成创意视频所需的实现方案与工具集。00
MiniCPM-V-4_5MiniCPM-V 4.5 是 MiniCPM-V 系列中最新且功能最强的模型。该模型基于 Qwen3-8B 和 SigLIP2-400M 构建,总参数量为 80 亿。与之前的 MiniCPM-V 和 MiniCPM-o 模型相比,它在性能上有显著提升,并引入了新的实用功能Python00
GOT-OCR-2.0-hf阶跃星辰StepFun推出的GOT-OCR-2.0-hf是一款强大的多语言OCR开源模型,支持从普通文档到复杂场景的文字识别。它能精准处理表格、图表、数学公式、几何图形甚至乐谱等特殊内容,输出结果可通过第三方工具渲染成多种格式。模型支持1024×1024高分辨率输入,具备多页批量处理、动态分块识别和交互式区域选择等创新功能,用户可通过坐标或颜色指定识别区域。基于Apache 2.0协议开源,提供Hugging Face演示和完整代码,适用于学术研究到工业应用的广泛场景,为OCR领域带来突破性解决方案。00