Serverless Framework 4.31.0发布：核心升级与部署优化指南
Serverless Framework 迎来了 4.31.0 版本更新。本次发布包含多项功能改进、问题修复以及依赖项升级，具体内容如下。
新增功能
Serverless Framework
原生集成
serverless-prune-plugin核心能力。用于清理 Lambda 函数历史版本及 Layer 的功能现已内置到框架中。您可以通过sls prune命令手动清理旧版本，或在配置文件的custom.prune部分设置自动修剪规则以实现部署后自动清理。具体用法请查阅最新文档。（#13244）custom: prune: automatic: true number: 3 # 保留最近 3 个版本 includeLayers: true # 同时清理 Layer 版本
# 手动执行清理 sls prune -n 3
新增对 AWS 亚太（台北）区域
ap-east-2的全面支持。（#13260，#13257）provider: name: aws region: ap-east-2
注意：由于 AWS IoT Core 服务目前尚未在该区域上线，因此
serverless dev命令在ap-east-2区域暂时无法使用。
问题修复
Serverless Framework
修正 esbuild sourcemap 配置异常行为。现在，当设置
build.esbuild.sourcemap.setNodeOptions: false时，将不再触发"sourcemap" must be a string or a boolean错误。若仅指定setNodeOptions，框架会自动默认启用sourcemap: true。（#13246）解决 Windows 下 AppSync Schema 文件读取失败问题。修复了因路径分隔符（
）与 globby 库不兼容，导致通配符模式（如Schema/*.graphql）在 Windows 系统中无法正确匹配.graphql文件的缺陷。（#13242，#13240）改善 Windows 环境 CI/CD 构建稳定性。通过将 AJV 缓存迁移至系统临时目录，并为文件操作引入指数退避重试机制，有效规避了
EPERM: operation not permitted, rename类型的错误。（#13243，#13264）
维护性更新
- 多项依赖已升级，包括：
dotenv升级至 v17.2.3（#13259）chokidar升级至 v4.0.3（#13251）jest升级至 v30.2.0（#13250）globby升级至 v14（#13236）hono升级至 v4.11.4（#13247）luxon从 v2.5.2 升级至 v3.7.2（#13235）terminal-link升级至 v4.0.0（#13232）ajv-formats升级至 v3（#13230）ws从 v7.5.10 升级至 v8.19.0（#13226）@serverless/mcp中的express由 v4 升级至 v5（#13231）undici升级至 v6.23.0（#13252）@graphql-tools/merge从 v8.4.2 升级至 v9.1.7（#13263）- AWS SDK 相关包整体更新达 31 次（#13253）
更新日志地址：请查阅官方发布页面。
源码获取：请访问项目发布地址。
热门专题
热门推荐
在流量日益分散的今天，把鸡蛋放在同一个篮子里，风险不言而喻。多平台推广，早已不是“要不要做”的选择题，而是“如何做好”的生存题。它的核心价值，可以概括为两点：实现“流量风险对冲”，以及构建“品牌触点全覆盖”。通过在不同生态位——无论是搜索、短视频、图文还是电商——建立内容矩阵，企业不仅能有效缓冲单一
DeepSeek知识库的核心，是运用RAG（检索增强生成）技术，将DeepSeek强大的大语言模型推理能力，与您的私有文档资源——包括PDF文件、内部代码库、标准操作流程（SOP）等——深度融合。其最终目标是实现基于特定垂直领域数据的精准智能问答，让AI的回答不再是通用泛化，而是具备专业依据、内容详
三大运营商推出Token套餐，将大模型调用量包装为类似流量包的产品，以降低AI使用门槛。中国电信推出个人与企业多档套餐，最低月费9 9元；上海移动推出1元购40万Tokens服务；联通则提供个人与团队版套餐。运营商凭借用户渠道和支付优势，推动算力消费向大众市场普及，可能重塑AI服务消费模式。
HermesAgent本地运行缓慢常因未量化的大语言模型占用资源过多。可通过AWQ量化模型、llama cpp后端加载GGUF模型、配置vLLM引擎提升并发吞吐、禁用非必要工具降低上下文开销，以及调整SQLite记忆检索阈值等方案优化。这些方法能显著降低延迟，提升响应速度。
随着AI智能体能力的持续增强，确保其行为始终符合预设目标与安全边界，已成为行业亟待解决的核心挑战。然而，当前主流的治理方案在防止智能体“失控”或“脱轨”方面，仍面临显著的实践瓶颈。 在之前的探讨中，我们分析了主流治理思路：部署多样化的对抗性验证器，构建一个多层次的安全审查网络。该方案的核心逻辑并非限