Sidekiq中CurrentAttributes在inline执行后丢失的问题分析
问题背景
在Sidekiq 7.2.4版本中,当使用perform_inline方法执行作业时,发现CurrentAttributes中的当前属性会在执行后被意外重置。这个问题在从Sidekiq 6升级到7时被发现,特别是在父作业调用子作业的场景下表现得尤为明显。
CurrentAttributes机制解析
CurrentAttributes是Rails提供的一种机制,用于在请求或作业执行期间存储和访问全局状态。在Sidekiq中,这个功能被扩展用于在作业执行期间保持特定类的属性状态。
问题重现
通过一个简单的测试用例可以重现这个问题:
class CurrentAttributesJob
include Sidekiq::Job
def perform; end
end
Sidekiq::CurrentAttributes.persist(Myapp::Current, config)
Myapp::Current.user_id = 1
CurrentAttributesJob.perform_inline
# 此处Myapp::Current.user_id预期为1,实际为nil
问题根源分析
问题的根源在于Sidekiq::CurrentAttributes::Load#call方法的实现。当前实现会在作业执行后重置所有属性,而不是使用ActiveSupport::CurrentAttributes的set方法来正确地嵌套保存属性状态。
解决方案
有两种可行的解决方案:
-
方法链式调用方案: 通过将各个CurrentAttributes类及其属性值收集起来,然后使用
inject方法构建一个嵌套的set调用链。 -
递归方案: 使用递归方式依次为每个CurrentAttributes类创建嵌套的
set块,这种方式代码更清晰易读。
递归方案的实现代码如下:
def call(_, job, _, &block)
klass_attrs = {}
@cattrs.each do |(key, strklass)|
next unless job.has_key?(key)
klass_attrs[strklass.constantize] = job[key]
end
wrap(klass_attrs.to_a, &block)
end
def wrap(klass_attrs, &block)
klass, attrs = klass_attrs.shift
return block.call unless klass
klass.set(attrs) do
wrap(klass_attrs, &block)
end
end
技术要点
-
CurrentAttributes的持久化: 正确的做法应该是使用ActiveSupport::CurrentAttributes的
set方法,它会创建一个嵌套的执行上下文,确保在块执行完毕后恢复之前的状态。 -
递归与函数式编程: 递归方案展示了如何优雅地处理不确定深度的嵌套结构,这是函数式编程的典型应用场景。
-
线程安全考虑: 这种实现方式确保了在多线程环境下CurrentAttributes的状态不会互相干扰,每个作业执行都有自己独立的上下文。
影响范围
这个问题主要影响以下场景:
- 使用
perform_inline同步执行作业 - 作业内部再调用其他作业(嵌套作业执行)
- 依赖CurrentAttributes在作业执行后保持状态的场景
最佳实践建议
- 在升级Sidekiq版本时,应特别注意CurrentAttributes相关的测试用例
- 对于复杂的作业流程,考虑显式传递必要参数而不是过度依赖CurrentAttributes
- 在测试环境中增加对CurrentAttributes状态保持的验证
这个问题已经在Sidekiq的最新版本中得到修复,开发者可以通过升级到最新版本来解决这个问题。
ERNIE-4.5-VL-28B-A3B-ThinkingERNIE-4.5-VL-28B-A3B-Thinking 是 ERNIE-4.5-VL-28B-A3B 架构的重大升级,通过中期大规模视觉-语言推理数据训练,显著提升了模型的表征能力和模态对齐,实现了多模态推理能力的突破性飞跃Python00
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
MiniMax-M2MiniMax-M2是MiniMaxAI开源的高效MoE模型,2300亿总参数中仅激活100亿,却在编码和智能体任务上表现卓越。它支持多文件编辑、终端操作和复杂工具链调用Python00
HunyuanVideo-1.5暂无简介00
MiniCPM-V-4_5MiniCPM-V 4.5 是 MiniCPM-V 系列中最新且功能最强的模型。该模型基于 Qwen3-8B 和 SigLIP2-400M 构建,总参数量为 80 亿。与之前的 MiniCPM-V 和 MiniCPM-o 模型相比,它在性能上有显著提升,并引入了新的实用功能Python00
Spark-Formalizer-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
GOT-OCR-2.0-hf阶跃星辰StepFun推出的GOT-OCR-2.0-hf是一款强大的多语言OCR开源模型,支持从普通文档到复杂场景的文字识别。它能精准处理表格、图表、数学公式、几何图形甚至乐谱等特殊内容,输出结果可通过第三方工具渲染成多种格式。模型支持1024×1024高分辨率输入,具备多页批量处理、动态分块识别和交互式区域选择等创新功能,用户可通过坐标或颜色指定识别区域。基于Apache 2.0协议开源,提供Hugging Face演示和完整代码,适用于学术研究到工业应用的广泛场景,为OCR领域带来突破性解决方案。00