本文介绍独立于 Spring 的企业级 Java 框架 Solon。文章先概述其架构、核心原则与生态，涵盖依赖注入、AOP、请求路由，以及 solon-cloud、solon-ai 等模块。随后使用 Solon 4.1.0、Java 21、Maven、MyBatis-Flex 1.11.8 和 H2 构建任务管理 REST API，演示控制器、服务、持久化、配置分层、数据库初始化与测试。文中将 Solon 与 Spring Boot 的注解、配置和 HTTP 处理进行对比，并给出 Hello World、CRUD、事务回滚及集成测试示例。Solon 适合微服务、Serverless 和资源受限场景，但采用时需学习不同的注解与配置约定。

Spring官方宣布对发布流程进行重大调整，将原本持续两周的发布列车压缩为单日发布，时间固定在每月第三个周一之后的周四，形成“补丁周四”机制。首次按新格式进行的补丁发布定于10月22日，9月24日仅发布里程碑版本。官方表示，自今年3月以来每月平均收到近80份社区提交的安全报告，漏洞被发现和利用的速度因AI而大幅加快且未见放缓。为此，团队已修复160多个新CVE，并重新设计spring.io/security页面，支持按编号、严重程度和项目快速检索安全公告，以应对单月多达91份公告的规模。团队强调，安全的持续投入与新增功能同样重要，将继续演进以应对不断变化的安全形势。

Spring AI 社区推出新项目 Spring AI TypeSafe，集成 TypeSafe AI 托管的 Jev API，为 AI 应用提供快速的类型化决策能力。它不是聊天模型，也不生成文本，而是接收状态（被判断对象）与一组类型化问题，一次调用即可完成分类、评分与判断。核心包含三种原语：Noul（是/否，返回 0-1 真值）、Choice（多选标签、概率分布与置信度）、Score（有序评分及连续值）。一次三问调用约 310 毫秒、仅 73 个输出 token，成本远低于推理模型。项目提供 JevJudge（LLM-as-a-Judge 判定）、JevSelfRefineAdvisor（自反思重试循环）、JevGuardrailAdvisor（输入输出安全护栏）等组件，并实现 Spring AI 既有的 CallAdvisor、DocumentPostProcessor、ToolIndex、Evaluator 等 SPI。作者建议在每次昂贵的模型调用前用其做廉价校验，但需注意 Jev 不支持流式、状态须为字符串/对象/数组或 null、逐文档处理需多次调用。0.1.0 版本已发布至 Maven Central。

Baeldung发布Java周报第664期，本期焦点为Java 27正式发布。新版本带来后量子TLS、G1成为所有平台的默认垃圾收集器、默认启用紧凑对象头，并在并发、JFR和Vector API等方面实现改进。周报还收录了JDK 27安全增强、IntelliJ IDEA对Java 27的支持、Quarkus 4基于Java 21构建等文章，并汇总了IntelliJ IDEA 2026.2.3、Quarkus 3.39.3、Elasticsearch 9.5.4、Micronaut Core、Helidon、Apache Camel、Vert.x等框架与工具的版本更新。本期精选推荐了一种将时间戳快速转换为时、分、秒的高效方法。此外还列出了Java 27发布直播、技术播客及多场线上分享活动信息。

文章以被瑞士包围的意大利飞地 Campione d'Italia 和德国飞地 Büsingen am Hochrhein 为例，说明真实世界的地理与行政复杂性会直接影响软件设计。Campione 在海关、增值税、公共服务、货币、地址与电话、车辆登记、数据隐私、医疗和教育等方面存在跨边界混合规则：自 2020 年起属欧盟关税区但不在欧盟增值税区，使用瑞士增值税率的本地消费税；主要流通瑞士法郎，欧元为法定货币；使用瑞士邮编和电话区号，但市政厅用意大利号码；车辆须在意大利科莫登记；适用 GDPR 和意大利隐私法，但医疗、公用事业等多由瑞士提供。文章还提到 Livigno、加那利群岛等类似情况，强调国家代码不能决定税务、海关、货币、邮政、电话和法律属性。结论是开发软件时应先研究真实世界的边界与例外，避免把国家/地区属性简单化。

JetBrains基于近两年的AI产品与市场研究，提出AIDEs框架（人工智能开发环境框架），试图为AI开发工具构建一套“万物理论”。文章先描绘市场现状：AI已成为开发者日常，智能体编程逐渐成为新常态，云端智能体开始起步，但AI应用仍集中在头脑风暴与编码两类活动，渗透并不均衡。框架包含三个维度：软件开发流程的五个活动组共35项活动、委托的五个层级（工具、助手、通用执行者、受监督执行者、能力中心），以及开发的三种组织环境（个人、中小企业、企业）。作者强调，委托层级本质上是人与智能体之间的“代理契约”，由人类决定放手程度，而非AI能力本身。框架预测未来三大方向：抽象化程度提升、AI在软件全生命周期中的纵向集成，以及人们把AI从“工具”重新视为可变的“智能资源”。最后提出准备方法：检验核心假设、建立并坚持自己的模型、持续观察与验证。

JetBrains基于近两年的AI产品与市场研究，提出AIDEs框架（人工智能开发环境框架），为AI开发工具的演进构建了一套"万物理论"。文章首先总结当前三大市场趋势：AI已成为开发者日常的一部分；代理式编程逐渐成为新常态（以Claude Code为代表，据估算约850万编程从业者使用、年收入约70亿美元）；AI代理开始向云端迁移。框架包含三个维度：软件创建过程的五个阶段（共35项活动）、十项委托属性构成的五个委托层级（L1工具、L2助手、L3通用执行者、L4受监督执行者、L5能力中心），以及个人、中小企业、企业三种组织情境。框架刻意不设"AI有多聪明"这一维度，因为委托层级是委托方与代理之间关系的属性，而非代理本身的属性。文章预测未来三大方向：抽象层级持续上升、AI在整个软件开发生命周期中实现垂直整合，以及人们将AI从"工具"重新认识为"智能资源"，最终可能催生以意图管理、执行与治理为核心分层的代理式软件生产平台。

JetBrains发布Junie Local更新，推出将Qwen3.8与Qwen3.6按等比例合并的Qwen3.8-3.6-27B-blend模型，旨在让本地编码智能体更智能、更快速。在100项内部编码基准中，新模型完成37项任务，高于Qwen3.6的34项，接近Qwen3.8的39项，同时输出token比Qwen3.8减少71%。在双方均完成的30项任务中，混合模型生成约27.9万token，远低于Qwen3.8的93.5万。LiveCodeBench四次运行平均正确率85.47%，略高于Qwen3.8的83.29%，输出成本相近。运行时方面，团队继续优化多token预测，发现每轮预测2个token时在M5 MacBook Pro上解码提速60%，Q4与Q8 MTP头接受率接近，因此保留Q4以节省内存；长上下文下注意力计算成为主要开销。文章还提到随机种子设置曾导致评测不稳定。Apple M5用户可通过Junie切换新模型，Windows nightly版加入实验性NVIDIA RTX支持。

JetBrains 在 Junie CLI 中推出 /demo 模式。开发者只需描述要检查的内容，Junie 就会自动构建并启动应用、操作 UI 并录制过程，最终生成 HTML 报告、截图和演示视频，方便审查或分享。用户可选择分支、会话、工作区或最近提交中的变更，并通过明确提示词指定操作与预期结果。演示视频会自动加入介绍、场景和总结幻灯片，报告汇总请求、结果、视频与截图。该模式可集成到 GitHub Actions 和 CI：通过 --demo 运行，用于 PR 演示与发布冒烟测试，产物使用 GitHub Artifacts。JetBrains 内部已在 1500 多个 PR 生成 2100 多个演示视频，并在发布分支执行 1300 多次冒烟测试。演示环境基于 Docker、Chromium、Xvfb 等，依赖支持 Computer Use 的模型，默认按 GPT-5.6 SOL 等顺序选择。