开源键值数据库Valkey将于下月发布第九个版本,承诺改进资源优化和可用性。
Valkey于去年4月从Redis分叉而来,起因是这个广受欢迎的内存数据库(通常用作缓存)转向了限制性更强的许可证。Redis转向双重许可制(Redis源码可用许可证RSALv2和服务器端公共许可证SSPLv1),促使Linux基金会从Redis 7.2.4版本分叉出代码,并获得了亚马逊AWS、谷歌、Snap、爱立信、甲骨文等公司的支持。
开源数据库咨询公司Percona的Valkey技术负责人Martin Visser表示,许多组织运行着多种不同的应用程序,都将Valkey作为缓存组件。挑战在于如何让不同的应用程序在单个Valkey实例上运行,而Valkey 9承诺解决这个问题。
"Valkey可以是一个集群设置,拥有多个分片等等,"Visser说。"过去,分片模式仅限于单个逻辑数据库,这意味着应用程序与Valkey设置之间必须是一对一的映射关系。但在版本9中,集群模式也允许多个逻辑数据库,这意味着从资源角度来看,你可以让许多不同的应用程序使用同一个集群。"
"这是社区中备受期待的功能。不再需要应用程序与部署集群之间的一对一映射,现在你可以将应用程序的多个部分合并。如果考虑微服务架构,不同服务可能有不同的数据集。现在你可以拥有一个Valkey集群,并在逻辑上将其划分为多个数据库。"
Valkey 9还承诺为高可用性提供统一的自动故障转移配置,无论部署选择如何,都能让开发人员在从开发到测试再到生产环境中保持集群的一致性。此外,还有安全关机模式,确保关机命令不会在没有经过深思熟虑的确认操作下直接切断生产环境。
Visser表示,Valkey的长期计划是与Redis产生差异化,成为一个更加一致和持久的通用数据库,而不仅仅是一个缓存。
"这是在最近的贡献者峰会上深入讨论的内容,现在正被纳入计划中,为Valkey开拓不同的使用场景。这是一个长期计划,我认为这将成为Valkey相对于Redis的一个重要差异化因素。"
对于仍在使用旧版本Redis的用户来说,跳转到兼容版本Valkey的时间已经不多了。Valkey分叉之前的最后一个Redis版本是企业版7.2,该版本的支持将在2026年2月结束。
Q&A
Q1:Valkey是什么?为什么从Redis分叉出来?
A:Valkey是一个开源键值数据库,于2023年4月从Redis分叉而来。分叉的原因是Redis转向了限制性更强的双重许可制,包括Redis源码可用许可证和服务器端公共许可证,这促使Linux基金会在AWS、谷歌等公司支持下从Redis 7.2.4版本创建了分叉。
Q2:Valkey 9有什么新功能?
A:Valkey 9的主要新功能包括:在集群模式下支持多个逻辑数据库,允许多个应用程序共享同一个集群;统一的自动故障转移配置,提高高可用性;安全关机模式,防止意外关闭生产环境。这些功能主要解决了资源优化和系统稳定性问题。
Q3:Valkey未来发展方向是什么?
A:Valkey的长期规划是成为一个更加一致和持久的通用数据库,而不仅仅是缓存工具。这将使其在功能上与Redis产生明显差异化,为用户提供更多样化的使用场景。这一战略方向在最近的贡献者峰会上得到了深入讨论。
好文章,需要你的鼓励
Replit与RevenueCat达成合作,将订阅变现工具直接集成至Replit平台。用户只需通过自然语言提示(如"添加订阅"),即可完成应用内购和订阅配置,无需离开平台。RevenueCat管理超8万款应用的订阅业务,每月处理约10亿美元交易。此次合作旨在让"氛围编程"用户在构建应用的同时即可实现商业变现,月收入未达2500美元前免费使用,超出后收取1%费用。
LiVER是由北京大学、北京邮电大学等机构联合提出的视频生成框架,核心创新是将物理渲染技术与AI视频生成结合,通过Blender引擎计算漫反射、粗糙GGX和光泽GGX三种光照图像构成"场景代理",引导视频扩散模型生成光影物理准确的视频。框架包含渲染器智能体、轻量化编码器适配器和三阶段训练策略,支持对光照、场景布局和摄像机轨迹的独立精确控制。配套构建的LiVERSet数据集含约11000段标注视频,实验显示该方法在视频质量和控制精度上均优于现有方法。
所有人都说AI需要护栏,但真正在构建它的人寥寥无几。SkipLabs创始人Julien Verlaguet深耕这一问题已逾一年,他发现市面上多数"护栏"不过是提示词包装。为此,他打造了专为后端服务设计的AI编程智能体Skipper,基于健全的TypeScript类型系统与响应式运行时,实现增量式代码生成与测试,内部基准测试通过率超90%。他认为,编程语言的"人类可读性时代"正走向终结,面向智能体的精确工具链才是未来。
这项由蒙特利尔学习算法研究所(Mila)与麦吉尔大学联合发布的研究(arXiv:2604.07776,2026年4月)提出了AGENT-AS-ANNOTATORS框架,通过模仿人类数据标注的三种角色分工,系统化生成高质量网页智能体训练轨迹。以Gemini 3 Pro为教师模型,仅用2322条精选轨迹对90亿参数的Qwen3.5-9B模型进行监督微调,在WebArena基准上达到41.5%成功率,超越GPT-4o和Claude 3.5 Sonnet,并在从未见过的企业平台WorkArena L1上提升18.2个百分点,验证了"数据质量远比数量重要"这一核心结论。