pgrx v0.14.2发布:PostgreSQL扩展开发框架的重要更新
pgrx是一个强大的Rust框架,专门用于开发PostgreSQL扩展。它允许开发者使用Rust语言编写高性能、安全的PostgreSQL扩展,同时提供了丰富的工具链支持。最新发布的v0.14.2版本带来了一些重要改进和新功能,特别是对pg_regress测试框架的支持,这将显著提升扩展开发的测试体验。
核心更新内容
pg_regress测试支持
本次更新最引人注目的新特性是增加了对PostgreSQL原生测试框架pg_regress的支持。pg_regress是PostgreSQL自带的回归测试框架,被广泛用于核心功能的测试验证。通过新增的cargo pgrx regress子命令,开发者现在可以:
- 编写标准的SQL测试脚本
- 自动生成预期输出文件
- 在pgrx环境中运行回归测试
- 轻松集成到CI/CD流程中
这一功能由ParadeDB团队赞助开发,体现了社区合作的力量。对于长期使用PostgreSQL生态的开发者来说,能够使用熟悉的测试工具链无疑降低了学习曲线。
安装路径优化
针对即将发布的PostgreSQL v18版本,pgrx移除了模块路径中的$libdir/前缀。这一变更使得:
- 扩展安装位置更加灵活
- 减少了路径限制
- 提升了与未来PostgreSQL版本的兼容性
- 简化了扩展部署流程
新增系统目录绑定
本次更新增加了对pg_statistic_ext系统目录的绑定支持,这是PostgreSQL中存储扩展统计信息的系统表。开发者现在可以直接通过Rust接口访问这些统计信息,为开发监控类扩展提供了便利。
问题修复
- 修复了
extra_args中tgnargs检查的问题,提高了函数参数处理的健壮性 - 优化了FromDatum trait的实现路径,解决了潜在的命名空间冲突
- 移除了重复的ok检查,精简了代码逻辑
技术细节解析
pg_regress测试的集成实现相当巧妙。pgrx框架在背后自动处理了测试环境的搭建、数据库集群的初始化、测试脚本的执行以及结果比对等复杂流程。开发者只需关注测试用例本身,框架会处理其余的基础设施问题。
对于系统目录绑定的实现,pgrx采用了Rust的强类型特性,将PostgreSQL的系统表映射为安全的Rust结构体,既保持了性能又提供了编译时类型检查的优势。
升级建议
对于现有项目,建议按照以下步骤升级:
- 更新cargo-pgrx工具链:
cargo install cargo-pgrx --version 0.14.2 --locked - 更新项目依赖:在扩展目录中运行
cargo pgrx upgrade - 考虑将现有测试迁移到pg_regress框架,享受更标准的测试体验
未来展望
随着pg_regress支持的引入,pgrx的测试生态将更加完善。期待社区能够基于这一功能构建更多测试工具和最佳实践。同时,随着PostgreSQL v18的临近,pgrx团队也在积极准备相关兼容性工作,确保开发者能够平滑过渡到新版本。
对于Rust和PostgreSQL的结合,pgrx持续证明着这种技术栈的强大之处——既有Rust的性能和安全性,又能深度集成PostgreSQL的丰富功能。v0.14.2版本的发布再次推动了这一愿景的实现。
GLM-5智谱 AI 正式发布 GLM-5,旨在应对复杂系统工程和长时域智能体任务。Jinja00
GLM-5-w4a8GLM-5-w4a8基于混合专家架构,专为复杂系统工程与长周期智能体任务设计。支持单/多节点部署,适配Atlas 800T A3,采用w4a8量化技术,结合vLLM推理优化,高效平衡性能与精度,助力智能应用开发Jinja00
请把这个活动推给顶尖程序员😎本次活动专为懂行的顶尖程序员量身打造,聚焦AtomGit首发开源模型的实际应用与深度测评,拒绝大众化浅层体验,邀请具备扎实技术功底、开源经验或模型测评能力的顶尖开发者,深度参与模型体验、性能测评,通过发布技术帖子、提交测评报告、上传实践项目成果等形式,挖掘模型核心价值,共建AtomGit开源模型生态,彰显顶尖程序员的技术洞察力与实践能力。00
Kimi-K2.5Kimi K2.5 是一款开源的原生多模态智能体模型,它在 Kimi-K2-Base 的基础上,通过对约 15 万亿混合视觉和文本 tokens 进行持续预训练构建而成。该模型将视觉与语言理解、高级智能体能力、即时模式与思考模式,以及对话式与智能体范式无缝融合。Python00
MiniMax-M2.5MiniMax-M2.5开源模型,经数十万复杂环境强化训练,在代码生成、工具调用、办公自动化等经济价值任务中表现卓越。SWE-Bench Verified得分80.2%,Multi-SWE-Bench达51.3%,BrowseComp获76.3%。推理速度比M2.1快37%,与Claude Opus 4.6相当,每小时仅需0.3-1美元,成本仅为同类模型1/10-1/20,为智能应用开发提供高效经济选择。【此简介由AI生成】Python00
Qwen3.5Qwen3.5 昇腾 vLLM 部署教程。Qwen3.5 是 Qwen 系列最新的旗舰多模态模型,采用 MoE(混合专家)架构,在保持强大模型能力的同时显著降低了推理成本。00- RRing-2.5-1TRing-2.5-1T:全球首个基于混合线性注意力架构的开源万亿参数思考模型。Python00