Upstash Redis 限流库中的 NOSCRIPT 错误分析与解决方案
背景介绍
在使用 Upstash Redis 限流库时,开发者可能会遇到一个典型的 Redis 错误:"NOSCRIPT No matching script. Please use EVAL"。这个错误通常发生在 Redis 脚本缓存被清空后,客户端仍然尝试使用 EVALSHA 命令执行脚本的情况下。
错误现象
当开发者使用 SCRIPT FLUSH 命令清空 Redis 实例中的脚本缓存后,再调用限流功能时,系统会抛出上述错误。从 Redis 的监控日志可以看到,客户端首先尝试使用 EVALSHA 执行脚本,失败后回退到使用 EVAL 命令,随后重新加载脚本,最后再次尝试 EVALSHA。
技术原理
Redis 提供了两种执行 Lua 脚本的方式:
- EVAL:直接执行脚本内容
- EVALSHA:通过脚本的 SHA1 哈希值执行已缓存的脚本
EVALSHA 的性能更好,因为它不需要每次都传输完整的脚本内容。Upstash 限流库采用了智能的回退机制:先尝试 EVALSHA,如果失败(返回 NOSCRIPT 错误),则回退到使用 EVAL 并重新加载脚本。
问题根源
在最新版本的限流库中,当启用了保护功能(enableProtection: true)时,这个问题会特别明显。根本原因与 Redis 客户端的自动管道化(auto pipelining)功能有关。自动管道化会批量发送命令以提高性能,但在某些情况下可能导致脚本执行顺序出现问题。
解决方案
临时解决方案
在 @upstash/redis v1.34.3 版本发布前,可以通过禁用自动管道化来解决问题:
const redis = Redis.fromEnv({ enableAutoPipelining: false });
永久解决方案
升级到 @upstash/redis v1.34.3 或更高版本后,开发者可以正常使用自动管道化功能,无需额外配置。新版本已经修复了脚本执行顺序的问题。
最佳实践
- 保持 @upstash/redis 和 @upstash/ratelimit 库的最新版本
- 在生产环境中谨慎使用
SCRIPT FLUSH命令 - 对于关键业务逻辑,考虑添加适当的错误处理和重试机制
- 监控 Redis 脚本执行情况,及时发现潜在问题
总结
Redis 脚本执行是限流功能的核心,理解 EVAL 和 EVALSHA 的工作原理对于排查类似问题非常重要。Upstash 团队通过优化脚本执行逻辑和修复自动管道化问题,为开发者提供了更稳定的限流解决方案。开发者只需保持库的最新版本,即可避免这类问题的发生。
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-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
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