ORPC框架v1.2.0发布:全面支持WebSocket与Zod 4
ORPC是一个现代化的远程过程调用(RPC)框架,它通过类型安全的方式简化了前后端通信。在最新发布的v1.2.0版本中,ORPC带来了两项重大更新:全面的WebSocket支持和对Zod 4的兼容性升级。
WebSocket支持成为核心特性
WebSocket在现代Web应用中扮演着越来越重要的角色,特别是在需要实时双向通信的场景下。ORPC v1.2.0通过引入多种WebSocket适配器,使开发者能够轻松地在不同运行时环境中实现WebSocket通信。
框架现在提供了对Bun、Node、Deno以及Crossws等运行时的原生支持。开发者只需几行代码就能建立一个完整的WebSocket RPC服务:
import { experimental_RPCHandler as RPCHandler } from '@orpc/server/bun-ws'
const handler = new RPCHandler(router)
Bun.serve({
fetch(req, server) {
if (server.upgrade(req)) {
return
}
return new Response('Upgrade failed', { status: 500 })
},
websocket: {
message(ws, message) {
handler.message(ws, message, {
context: {}, // 提供初始上下文
})
},
close(ws) {
handler.close(ws)
},
},
})
这种实现方式不仅简洁,还保持了ORPC一贯的类型安全性。WebSocket适配器会自动处理连接的生命周期,包括消息传递和连接关闭事件,让开发者可以专注于业务逻辑的实现。
Zod 4兼容性升级
Zod作为TypeScript生态中最流行的运行时类型检查库之一,其v4版本带来了许多改进。ORPC v1.2.0现在完全支持Zod 4,开发者可以通过以下方式使用新版本的功能:
import {
experimental_ZodSmartCoercionPlugin as ZodSmartCoercionPlugin
} from '@orpc/zod/zod4'
import {
experimental_ZodToJsonSchemaConverter as ZodToJsonSchemaConverter
} from '@orpc/zod/zod4'
这些工具类帮助开发者在Zod类型定义和JSON Schema之间进行转换,同时提供了智能的类型强制转换功能,大大增强了API的健壮性。
其他重要改进
除了上述两大特性外,v1.2.0版本还包含多项功能增强和问题修复:
-
HEAD方法支持:现在ORPC路由可以正确处理HEAD请求,这对于API健康检查等场景非常有用。
-
OpenAPI增强:
- 新增了
CreateJsonifiedRouterClient功能,简化了客户端代码生成 - 改进了OpenAPI规范在Scalar HTML中的内联显示
- 新增了
-
React集成改进:
useServerAction钩子现在内部使用React的useTransition,提供了更流畅的用户体验。 -
服务器稳定性提升:
- 修复了SSE(服务器发送事件)在客户端断开连接时可能导致服务器崩溃的问题
- 改进了事件迭代器的清理逻辑,防止内存泄漏
总结
ORPC v1.2.0通过引入WebSocket支持和Zod 4兼容性,进一步巩固了其作为现代化RPC框架的地位。这些更新不仅扩展了框架的应用场景,也提升了开发体验和运行稳定性。对于需要构建类型安全、实时通信应用的开发者来说,这个版本无疑提供了更加强大的工具集。
atomcodeClaude Code 的开源替代方案。连接任意大模型,编辑代码,运行命令,自动验证 — 全自动执行。用 Rust 构建,极致性能。 | An open-source alternative to Claude Code. Connect any LLM, edit code, run commands, and verify changes — autonomously. Built in Rust for speed. Get StartedRust0195
cann-learning-hubCANN 学习中心仓,支持在线互动运行、边学边练,提供教程、示例与优化方案,一站式助力昇腾开发者快速上手。Jupyter Notebook0124
MiMo-V2.5-Pro-FP4-DFlashMiMo-V2.5-Pro-FP4-DFlash 是驱动 MiMo-V2.5-Pro-UltraSpeed 的底层模型: FP4 量化骨干网络:对 MoE 专家采用 MXFP4 量化,同时保持模型其他部分的更高精度,在几乎无损质量的前提下,显著减小模型体积并降低内存带宽压力。 BF16 DFlash 草稿生成器:用于块扩散推测解码,每次前向传播可生成一整个块的 tokens,并让骨干网络一步完成验证。 两者协同作用,既降低了每参数的位宽,又减少了骨干网络前向传播的次数,而这两者正是万亿参数模型解码过程中的两大主要成本来源。Python00
JoyAI-EchoJoyAI-Echo,这是一个独立的、仅用于推理的版本,旨在实现分钟级多镜头音视频生成。它采用了经过蒸馏的DMD生成器、配对的跨模态记忆以及故事级别的一致性。其性能的核心在于,一个跨模态视听记忆库能够在长达五分钟的视频中保持角色外观和语音音色的一致性。同时,一个训练后处理流程将基于记忆的强化学习与分布匹配蒸馏相结合,实现了7.5倍的速度提升,显著增强了视觉质量和对齐效果。00
AstrBot✨ 易上手的多平台 LLM 聊天机器人及开发框架 ✨ 平台支持 QQ、QQ频道、Telegram、微信、企微、飞书 | OpenAI、DeepSeek、Gemini、硅基流动、月之暗面、Ollama、OneAPI、Dify 等。附带 WebUI。Python05
handy-ollama动手学Ollama,CPU玩转大模型部署,在线阅读地址:https://datawhalechina.github.io/handy-ollama/Jupyter Notebook07