SQLAlchemy PostgreSQL 方言支持 psycopg3 的 ClientCursor 特性
在 PostgreSQL 数据库操作中,SQLAlchemy 作为 Python 生态中最流行的 ORM 工具之一,提供了对多种 PostgreSQL 客户端库的支持。其中,psycopg 作为 PostgreSQL 的官方 Python 驱动程序,在版本 3.1 中引入了一个重要特性——ClientCursor。
ClientCursor 是 psycopg3 提供的一种特殊游标类型,其行为模式与 psycopg2 类似,采用客户端参数绑定的方式处理 SQL 查询。这与 psycopg3 默认使用的服务器端参数绑定形成对比,为开发者提供了更大的灵活性。
对于需要从 psycopg2 迁移到 psycopg3 的项目,ClientCursor 可以显著降低迁移难度。因为 psycopg2 本身就采用客户端参数绑定,使用 ClientCursor 可以保持原有代码的行为一致性,减少因参数处理方式改变而导致的兼容性问题。
SQLAlchemy 已经内置了对这一特性的支持。开发者可以通过简单的配置来启用 ClientCursor,具体方法是在创建引擎时指定 cursor_factory 参数。这一配置方式与 SQLAlchemy 一贯的灵活设计理念相符,允许开发者根据具体需求选择最适合的参数绑定策略。
值得注意的是,使用 ClientCursor 时,SQLAlchemy 会自动处理参数类型转换的相关逻辑,开发者无需额外关注参数类型的转换问题。这种设计既保留了 psycopg2 的使用习惯,又充分利用了 psycopg3 的新特性。
在实际应用中,ClientCursor 特别适合以下场景:
- 需要从 psycopg2 平滑迁移到 psycopg3 的项目
- 对查询性能有特殊要求的应用场景
- 需要精确控制参数绑定行为的复杂查询
SQLAlchemy 对 ClientCursor 的支持体现了其作为成熟 ORM 框架的前瞻性,不仅跟进了底层驱动的新特性,还提供了简单易用的集成方式,帮助开发者充分利用 PostgreSQL 数据库的最新功能。
AutoGLM-Phone-9BAutoGLM-Phone-9B是基于AutoGLM构建的移动智能助手框架,依托多模态感知理解手机屏幕并执行自动化操作。Jinja00
Kimi-K2-ThinkingKimi K2 Thinking 是最新、性能最强的开源思维模型。从 Kimi K2 开始,我们将其打造为能够逐步推理并动态调用工具的思维智能体。通过显著提升多步推理深度,并在 200–300 次连续调用中保持稳定的工具使用能力,它在 Humanity's Last Exam (HLE)、BrowseComp 等基准测试中树立了新的技术标杆。同时,K2 Thinking 是原生 INT4 量化模型,具备 256k 上下文窗口,实现了推理延迟和 GPU 内存占用的无损降低。Python00
GLM-4.6V-FP8GLM-4.6V-FP8是GLM-V系列开源模型,支持128K上下文窗口,融合原生多模态函数调用能力,实现从视觉感知到执行的闭环。具备文档理解、图文生成、前端重构等功能,适用于云集群与本地部署,在同类参数规模中视觉理解性能领先。Jinja00
HunyuanOCRHunyuanOCR 是基于混元原生多模态架构打造的领先端到端 OCR 专家级视觉语言模型。它采用仅 10 亿参数的轻量化设计,在业界多项基准测试中取得了当前最佳性能。该模型不仅精通复杂多语言文档解析,还在文本检测与识别、开放域信息抽取、视频字幕提取及图片翻译等实际应用场景中表现卓越。00
GLM-ASR-Nano-2512GLM-ASR-Nano-2512 是一款稳健的开源语音识别模型,参数规模为 15 亿。该模型专为应对真实场景的复杂性而设计,在保持紧凑体量的同时,多项基准测试表现优于 OpenAI Whisper V3。Python00
GLM-TTSGLM-TTS 是一款基于大语言模型的高质量文本转语音(TTS)合成系统,支持零样本语音克隆和流式推理。该系统采用两阶段架构,结合了用于语音 token 生成的大语言模型(LLM)和用于波形合成的流匹配(Flow Matching)模型。 通过引入多奖励强化学习框架,GLM-TTS 显著提升了合成语音的表现力,相比传统 TTS 系统实现了更自然的情感控制。Python00
Spark-Formalizer-X1-7BSpark-Formalizer 是由科大讯飞团队开发的专用大型语言模型,专注于数学自动形式化任务。该模型擅长将自然语言数学问题转化为精确的 Lean4 形式化语句,在形式化语句生成方面达到了业界领先水平。Python00