搜索[beta]结果-低调大师优秀个人博客

Sz-Admin v1.2.3-beta 已经发布，轻量级脚手架

Sz-Admin v1.2.3-beta 已经发布，轻量级脚手架此版本更新内容包括： v1.2.3-beta （20250603） sz-boot-parent：依赖升级： spring-boot-starter-parent

2025-06-05

夜莺 V8.Beta11 发版，支持 CK 告警、事件 Pipeline 等

这个版本来得迟了一些，主要是新功能加的多，下面简单介绍一下新功能，下下周也计划做一次直播讲解。支持 ClickHouse 告警夜莺最重要的定位是告警引擎，所以会持续增加各类数据源的告警支持，ClickHouse 之后还有 Doris、MySQL、Postgres 等。开源版主要是支持告警，不会支持看图可视化，实在是做不过来，答疑也答疑不过来。引入事件 Pipeline 告警引擎根据告警规则产生告警事件之后，会有需求对事件做各种二次处理，比如：有些事件要做 relabel 有些事件要做标签丰富有些事件要 drop 掉有些事件要和 AI 联动生成分析建议于是，我们抽象了事件 Pipeline 的功能，并且在开源版里支持了常用的处理器。新版菜单重新整理了菜单，很多菜单收敛到了 Tab 里，有些甚至收敛到侧拉板里，整体功能排布更清晰，更容易找到相关入口。另外推荐一下菜单快捷跳转功能，Ctrl + K(Mac 里是Command + K)很好用，很极客。新版活跃告警改进活跃告警的 UI，整合了聚合卡片视图和列表视图，平时可以把这个页面投到 On-call 大屏上。其他一些变动告警规则支持跨业务组克隆修复临时分享图表白屏问题夜莺自身增加对Redis操作的指标优化了指标转发性能更多改动请参考 github release 的 changelog。升级须知大家可以从夜莺的github releases页面下载到最新的发布包。 v6/v7版本都可以平滑升级：建议先备份老版本的二进制、配置、integrations 目录等，留好后路然后就可以放心大胆升级了如果夜莺所用的DB账号有建表、改表权限，会自动更新表结构，否则就要参考代码仓库里docker/migratesql手工改表结构了 integrations 目录可以直接替换成新版配置文件 etc/config.toml 建议认真 diff 一下容器启动的话，直接拉取 latest 镜像重启即可夜莺产品特性介绍的PPT 有些人可能对夜莺的产品还不太了解，特准备了一份 PPT，请参考：PPT。

2025-06-03

Sz-Admin v1.2.2-beta 已经发布，轻量级脚手架

Sz-Admin v1.2.2-beta 已经发布，轻量级脚手架此版本更新内容包括： v1.2.2-beta （20250528） [!

2025-05-29

GNOME 48 Beta 发布：默认 Adwaita 字体、引入新的显示控制工具 gdctl……

GNOME 48 Beta 测试版已发布，这是 3 月中旬正式版发布前的重要里程碑。值得关注的变化： GNOME Web 浏览器（Epiphany）对其导入对话框进行了现代化改造。

2025-02-18

夜莺 v7.beta14 发版，支持灵活定义告警事件标签

v7.beta14 基本就是 v7 正式版了，不过按照发版惯例和运营需求，一般每年 7 月底发正式版，所以，想要尝试 v7 的朋友可以升级了，另外，v5 版本也将于 2024.7.26 结束社区支持（商业客户会继续支持

2024-07-22

夜莺 v7.beta12 发版，支持集成 Grafana 仪表盘

现在虽然是 beta 版本，实际也是稳定的，可以上生产的。由于运营的诉求，正式版会放在每年 7 月底发布，每个大版本会持续支持 2 年。

2024-06-24

纯血鸿蒙来了：全栈自研，面向开发者启动Beta

会上，华为常务董事、终端BG董事长、智能汽车解决方案BU董事长余承东宣布，鸿蒙 NEXT正式面向开发者启动Beta，8月将发布面向消费者用户的Beta版本。

2024-06-21

基于 Java 的 LLM 应用开发框架，Agents-Flex beta.5 发布

Agents-Flex：一个基于 Java 的 LLM（大语言模型）应用开发框架。基本能力 LLM 的访问能力 Prompt、Prompt Template 定义加载的能力 Function Calling 定义、调用和执行等能力记忆的能力（Memory） Embedding Vector Store 文档处理加载器（Loader） Http FileSystem 分割器（Splitter）解析器（Parser） PoiParser PdfBoxParser Agent LLM Agent IOAgent Chain 执行链 SequentialChain 顺序执行链 ParallelChain 并发（并行）执行链 LoopChain 循环执行连 ChainNode AgentNode Agent 执行节点 EndNode 终点节点 RouterNode 路由节点 GroovyRouterNode Groovy 规则路由 QLExpressRouterNode QLExpress 规则路由 LLMRouterNode LLM 路由（由 AI 自行判断路由规则）简单对话使用 OpenAi 大语言模型: @Test public void testChat() { OpenAiLlmConfig config = new OpenAiLlmConfig(); config.setApiKey("sk-rts5NF6n*******"); Llm llm = new OpenAiLlm(config); String response = llm.chat("请问你叫什么名字"); System.out.println(response); } 使用 “通义千问” 大语言模型: @Test public void testChat() { QwenLlmConfig config = new QwenLlmConfig(); config.setApiKey("sk-28a6be3236****"); config.setModel("qwen-turbo"); Llm llm = new QwenLlm(config); String response = llm.chat("请问你叫什么名字"); System.out.println(response); } 使用 “讯飞星火” 大语言模型: @Test public void testChat() { SparkLlmConfig config = new SparkLlmConfig(); config.setAppId("****"); config.setApiKey("****"); config.setApiSecret("****"); Llm llm = new SparkLlm(config); String response = llm.chat("请问你叫什么名字"); System.out.println(response); } 历史对话示例 public static void main(String[] args) { SparkLlmConfig config = new SparkLlmConfig(); config.setAppId("****"); config.setApiKey("****"); config.setApiSecret("****"); Llm llm = new SparkLlm(config); HistoriesPrompt prompt = new HistoriesPrompt(); System.out.println("您想问什么？"); Scanner scanner = new Scanner(System.in); String userInput = scanner.nextLine(); while (userInput != null) { prompt.addMessage(new HumanMessage(userInput)); llm.chatStream(prompt, (context, response) -> { System.out.println(">>>> " + response.getMessage().getContent()); }); userInput = scanner.nextLine(); } } Function Calling 第一步：通过注解定义本地方法 public class WeatherUtil { @FunctionDef(name = "get_the_weather_info", description = "get the weather info") public static String getWeatherInfo( @FunctionParam(name = "city", description = "the city name") String name ) { //在这里，我们应该通过第三方接口调用 api 信息 return name + "的天气是阴转多云。 "; } } 第二步：通过 Prompt、Functions 传入给大模型，然后得到结果 public static void main(String[] args) { OpenAiLlmConfig config = new OpenAiLlmConfig(); config.setApiKey("sk-rts5NF6n*******"); OpenAiLlm llm = new OpenAiLlm(config); FunctionPrompt prompt = new FunctionPrompt("今天北京的天气怎么样", WeatherUtil.class); FunctionResultResponse response = llm.chat(prompt); Object result = response.invoke(); System.out.println(result); //"北京的天气是阴转多云。 " } 模块构成开源地址： Gitee:https://gitee.com/agents-flex/agents-flex Github:https://github.com/agents-flex/agents-flex 官方网站：https://agentsflex.com

2024-06-17

基于 Java 的 LLM 应用开发框架，Agents-Flex beta.4 发布

Agents-Flex：一个基于 Java 的 LLM（大语言模型）应用开发框架。基本能力 LLM 的访问能力 Prompt、Prompt Template 定义加载的能力 Function Calling 定义、调用和执行等能力记忆的能力（Memory） Embedding Vector Store 文档处理加载器（Loader） Http FileSystem 分割器（Splitter）解析器（Parser） PoiParser PdfBoxParser Agent LLM Agent IOAgent Chain 执行链 SequentialChain 顺序执行链 ParallelChain 并发（并行）执行链 LoopChain 循环执行连 ChainNode AgentNode Agent 执行节点 EndNode 终点节点 RouterNode 路由节点 GroovyRouterNode Groovy 规则路由 QLExpressRouterNode QLExpress 规则路由 LLMRouterNode LLM 路由（由 AI 自行判断路由规则）简单对话使用 OpenAi 大语言模型: @Test public void testChat() { OpenAiLlmConfig config = new OpenAiLlmConfig(); config.setApiKey("sk-rts5NF6n*******"); Llm llm = new OpenAiLlm(config); String response = llm.chat("请问你叫什么名字"); System.out.println(response); } 使用 “通义千问” 大语言模型: @Test public void testChat() { QwenLlmConfig config = new QwenLlmConfig(); config.setApiKey("sk-28a6be3236****"); config.setModel("qwen-turbo"); Llm llm = new QwenLlm(config); String response = llm.chat("请问你叫什么名字"); System.out.println(response); } 使用 “讯飞星火” 大语言模型: @Test public void testChat() { SparkLlmConfig config = new SparkLlmConfig(); config.setAppId("****"); config.setApiKey("****"); config.setApiSecret("****"); Llm llm = new SparkLlm(config); String response = llm.chat("请问你叫什么名字"); System.out.println(response); } 历史对话示例 public static void main(String[] args) { SparkLlmConfig config = new SparkLlmConfig(); config.setAppId("****"); config.setApiKey("****"); config.setApiSecret("****"); Llm llm = new SparkLlm(config); HistoriesPrompt prompt = new HistoriesPrompt(); System.out.println("您想问什么？"); Scanner scanner = new Scanner(System.in); String userInput = scanner.nextLine(); while (userInput != null) { prompt.addMessage(new HumanMessage(userInput)); llm.chatStream(prompt, (context, response) -> { System.out.println(">>>> " + response.getMessage().getContent()); }); userInput = scanner.nextLine(); } } Function Calling 第一步：通过注解定义本地方法 public class WeatherUtil { @FunctionDef(name = "get_the_weather_info", description = "get the weather info") public static String getWeatherInfo( @FunctionParam(name = "city", description = "the city name") String name ) { //在这里，我们应该通过第三方接口调用 api 信息 return name + "的天气是阴转多云。 "; } } 第二步：通过 Prompt、Functions 传入给大模型，然后得到结果 public static void main(String[] args) { OpenAiLlmConfig config = new OpenAiLlmConfig(); config.setApiKey("sk-rts5NF6n*******"); OpenAiLlm llm = new OpenAiLlm(config); FunctionPrompt prompt = new FunctionPrompt("今天北京的天气怎么样", WeatherUtil.class); FunctionResultResponse response = llm.chat(prompt); Object result = response.invoke(); System.out.println(result); //"北京的天气是阴转多云。 " } 模块构成开源地址： Gitee:https://gitee.com/agents-flex/agents-flex Github:https://github.com/agents-flex/agents-flex 官方网站：https://agentsflex.com

2024-06-03

基于 Java 的 LLM 应用开发框架，Agents-Flex beta.3 发布

Agents-Flex：一个基于 Java 的 LLM（大语言模型）应用开发框架。基本能力 LLM 的访问能力 Prompt、Prompt Template 定义加载的能力 Function Calling 定义、调用和执行等能力记忆的能力（Memory） Embedding Vector Store 文档处理加载器（Loader） Http FileSystem 分割器（Splitter）解析器（Parser） PoiParser PdfBoxParser Agent LLM Agent IOAgent Chain 执行链 SequentialChain 顺序执行链 ParallelChain 并发（并行）执行链 LoopChain 循环执行连 ChainNode AgentNode Agent 执行节点 EndNode 终点节点 RouterNode 路由节点 GroovyRouterNode Groovy 规则路由 QLExpressRouterNode QLExpress 规则路由 LLMRouterNode LLM 路由（由 AI 自行判断路由规则）简单对话使用 OpenAi 大语言模型: @Test public void testChat() { OpenAiLlmConfig config = new OpenAiLlmConfig(); config.setApiKey("sk-rts5NF6n*******"); Llm llm = new OpenAiLlm(config); String response = llm.chat("请问你叫什么名字"); System.out.println(response); } 使用 “通义千问” 大语言模型: @Test public void testChat() { QwenLlmConfig config = new QwenLlmConfig(); config.setApiKey("sk-28a6be3236****"); config.setModel("qwen-turbo"); Llm llm = new QwenLlm(config); String response = llm.chat("请问你叫什么名字"); System.out.println(response); } 使用 “讯飞星火” 大语言模型: @Test public void testChat() { SparkLlmConfig config = new SparkLlmConfig(); config.setAppId("****"); config.setApiKey("****"); config.setApiSecret("****"); Llm llm = new SparkLlm(config); String response = llm.chat("请问你叫什么名字"); System.out.println(response); } 历史对话示例 public static void main(String[] args) { SparkLlmConfig config = new SparkLlmConfig(); config.setAppId("****"); config.setApiKey("****"); config.setApiSecret("****"); Llm llm = new SparkLlm(config); HistoriesPrompt prompt = new HistoriesPrompt(); System.out.println("您想问什么？"); Scanner scanner = new Scanner(System.in); String userInput = scanner.nextLine(); while (userInput != null) { prompt.addMessage(new HumanMessage(userInput)); llm.chatStream(prompt, (context, response) -> { System.out.println(">>>> " + response.getMessage().getContent()); }); userInput = scanner.nextLine(); } } Function Calling 第一步：通过注解定义本地方法 public class WeatherUtil { @FunctionDef(name = "get_the_weather_info", description = "get the weather info") public static String getWeatherInfo( @FunctionParam(name = "city", description = "the city name") String name ) { //在这里，我们应该通过第三方接口调用 api 信息 return name + "的天气是阴转多云。 "; } } 第二步：通过 Prompt、Functions 传入给大模型，然后得到结果 public static void main(String[] args) { OpenAiLlmConfig config = new OpenAiLlmConfig(); config.setApiKey("sk-rts5NF6n*******"); OpenAiLlm llm = new OpenAiLlm(config); FunctionPrompt prompt = new FunctionPrompt("今天北京的天气怎么样", WeatherUtil.class); FunctionResultResponse response = llm.chat(prompt); Object result = response.invoke(); System.out.println(result); //"北京的天气是阴转多云。 " } 模块构成开源地址： Gitee:https://gitee.com/agents-flex/agents-flex Github:https://github.com/agents-flex/agents-flex 官方网站：https://agentsflex.com

2024-05-17

基于 Java 的 LLM 应用开发框架，Agents-Flex beta.2 发布

Agents-Flex：一个基于 Java 的 LLM（大语言模型）应用开发框架。基本能力 LLM 的访问能力 Prompt、Prompt Template 定义加载的能力 Function Calling 定义、调用和执行等能力记忆的能力（Memory） Embedding Vector Store 文档处理加载器（Loader） Http FileSystem 分割器（Splitter）解析器（Parser） PoiParser PdfBoxParser Agent LLM Agent IOAgent Chain 执行链 SequentialChain 顺序执行链 ParallelChain 并发（并行）执行链 LoopChain 循环执行连 ChainNode AgentNode Agent 执行节点 EndNode 终点节点 RouterNode 路由节点 GroovyRouterNode Groovy 规则路由 QLExpressRouterNode QLExpress 规则路由 LLMRouterNode LLM路由（由 AI 自行判断路由规则）简单对话使用 OpenAi 大语言模型: @Test public void testChat() { OpenAiLlmConfig config = new OpenAiLlmConfig(); config.setApiKey("sk-rts5NF6n*******"); Llm llm = new OpenAiLlm(config); String response = llm.chat("请问你叫什么名字"); System.out.println(response); } 使用 “通义千问” 大语言模型: @Test public void testChat() { QwenLlmConfig config = new QwenLlmConfig(); config.setApiKey("sk-28a6be3236****"); config.setModel("qwen-turbo"); Llm llm = new QwenLlm(config); String response = llm.chat("请问你叫什么名字"); System.out.println(response); } 使用 “讯飞星火” 大语言模型: @Test public void testChat() { SparkLlmConfig config = new SparkLlmConfig(); config.setAppId("****"); config.setApiKey("****"); config.setApiSecret("****"); Llm llm = new SparkLlm(config); String response = llm.chat("请问你叫什么名字"); System.out.println(response); } 历史对话示例 public static void main(String[] args) { SparkLlmConfig config = new SparkLlmConfig(); config.setAppId("****"); config.setApiKey("****"); config.setApiSecret("****"); Llm llm = new SparkLlm(config); HistoriesPrompt prompt = new HistoriesPrompt(); System.out.println("您想问什么？"); Scanner scanner = new Scanner(System.in); String userInput = scanner.nextLine(); while (userInput != null) { prompt.addMessage(new HumanMessage(userInput)); llm.chatStream(prompt, (context, response) -> { System.out.println(">>>> " + response.getMessage().getContent()); }); userInput = scanner.nextLine(); } } Function Calling 第一步: 通过注解定义本地方法 public class WeatherUtil { @FunctionDef(name = "get_the_weather_info", description = "get the weather info") public static String getWeatherInfo( @FunctionParam(name = "city", description = "the city name") String name ) { //在这里，我们应该通过第三方接口调用 api 信息 return name + "的天气是阴转多云。 "; } } 第二步: 通过 Prompt、Functions 传入给大模型，然后得到结果 public static void main(String[] args) { OpenAiLlmConfig config = new OpenAiLlmConfig(); config.setApiKey("sk-rts5NF6n*******"); OpenAiLlm llm = new OpenAiLlm(config); FunctionPrompt prompt = new FunctionPrompt("今天北京的天气怎么样", WeatherUtil.class); FunctionResultResponse response = llm.chat(prompt); Object result = response.invoke(); System.out.println(result); //"北京的天气是阴转多云。 " } 模块构成开源地址： Gitee:https://gitee.com/agents-flex/agents-flex Github:https://github.com/agents-flex/agents-flex 官方网站：https://agentsflex.com

2024-05-13

Xshell 8 开启 Beta 公测：支持 RDP 协议、可远程连接 Windows 10/11

Xshell 8 宣布开启 Beta 公测。

2024-04-30

夜莺监控 V7 第一个 beta 版本来了

夜莺项目从 2024 开始开发 V7 版本，重点做体验优化，V7 和 V6 版本兼容可以平滑升级（V6 升级到 V7 只需要替换一下二进制重启即可，如果是容器部署，只需要更新镜像并重启），今天发布第一个 beta

2024-02-22

OpenChat 1.0 beta，开源 IM 服务器搭配 SDK 以及 APP 软件平台！

龙年元旦，祝大家龙年快乐，技术更上一层！2024赚大钱！在这里我也为大家准备了一个新年礼物 OpenChat 的源码，希望有自主 IM 研发需求的朋友可以尝试体验。整个IM服务器我们分为 Gate / Msg / Logic 三个服务，下面是三个服务的解释： Gate：顾名思义是网关服务，可以启用多个网关，比如北京、上海、深圳我们都放一个网关，来提升用户访问的响应问题。 Msg：消息服务器，Msg服务可以根据需求无限扩展，来提服务的并发能力。 Logic：这个是逻辑服务器，所有用户关系、群、红包等功能都会在这个服务内完成，主要是操作消息队列和数据库。值得一提的是 OpenChat 配套了完整的SDK封装，SDK 封装使用了 C++11 语法，兼容了 iOS / Android / Windows / macOS / Linux / FreeBSD 等主流平台。因为这个开源软件目前没有 UI 设计人员参与，Demo 界面参照了微信的常规布局，演示在下方。苹果 iPhone iOS 版本演示二维码：安卓 Android 版本演示二维码：开源项目希望大家能喜欢，有建议可以加D语言交流QQ群：184183224 开源作者QQ和微信：101011100

2024-01-01