Ash项目中的默认排序机制优化方案
2025-07-08 08:29:24作者:袁立春Spencer
背景介绍
在Ash框架中,当资源(Resource)配置了全局准备(preparation)排序,同时又通过其他扩展(如JSON API)应用了不同的排序条件时,会出现排序条件拼接的问题。这会导致数据库查询出现不符合预期的结果,甚至在某些数据库(如SQLite)中引发500错误。
问题分析
当前Ash框架在处理排序时存在以下问题:
- 当全局准备(preparation)中定义了排序条件,而API请求中也指定了排序参数时,两者会被简单地拼接在一起
- 在PostgreSQL中,这可能导致返回与请求相反的排序结果
- 在SQLite中,可能导致重复列错误并返回500状态码
解决方案
核心思路
引入default_sort概念,提供一种机制来定义默认排序规则,同时允许这些规则在必要时被覆盖。这可以通过以下几种方式实现:
- 在准备(preparation)层级添加
default_sort选项 - 在JSON API路由配置中添加
default_sort选项 - 实现智能合并策略,确保当显式指定排序时,默认排序可以被忽略或合理合并
技术实现方案
-
新增
Ash.Query.default_sort/2函数:- 该函数仅在当前查询没有非空排序条件时应用指定的排序
- 否则保持现有排序不变
-
扩展
Ash.Query.build/2支持:- 允许在准备阶段使用
build(default_sort: [...])语法 - 使默认排序配置更加简洁直观
- 允许在准备阶段使用
-
关系(Relationship)默认排序支持:
- 在关系DSL中添加
default_sort选项 - 在构建关系查询时自动应用默认排序
- 实现逻辑:
Ash.Query.sort(relationship.sort) |> Ash.Query.default_sort(relationship.default_sort)
- 在关系DSL中添加
临时解决方案
对于急需解决此问题的开发者,可以通过自定义准备(preparation)实现类似功能:
defmodule MyApp.Preparations.SortDescByOverridableAttribute do
use Ash.Resource.Preparation
@impl true
def init(opts) do
if is_atom(opts[:attribute]), do: {:ok, opts}, else: {:error, "attribute must be an atom!"}
end
@impl true
def prepare(query, %{attribute: attribute}, _context) do
if Keyword.has_key?(query.sort, attribute), do: query, else: Ash.Query.sort(query, [{attribute, :desc}])
end
end
然后在资源中配置:
preparations do
prepare {SortDescByOverridableAttribute, attribute: :inserted_at}
end
技术价值
- 更合理的默认行为:默认排序只在没有显式排序时生效,符合开发者直觉
- 更好的兼容性:避免了不同来源排序条件冲突导致的数据库问题
- 更灵活的配置:支持在多个层级定义默认排序,满足不同场景需求
- 更清晰的代码:通过专用函数和DSL选项,使排序逻辑更加明确
最佳实践建议
- 对于需要强保证排序顺序的资源,优先使用
default_sort而非普通sort - 在API设计中,考虑通过文档明确说明哪些字段支持排序覆盖
- 对于复杂排序需求,可以组合使用默认排序和自定义准备(preparation)
- 在测试中应包含默认排序被覆盖的场景,确保行为符合预期
总结
Ash框架的排序机制优化方案通过引入default_sort概念,解决了多来源排序条件冲突的问题,同时提供了更灵活、更符合直觉的排序配置方式。这一改进不仅提升了框架的稳定性,也为开发者提供了更强大的数据查询控制能力。
登录后查看全文
热门项目推荐
相关项目推荐
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
热门内容推荐
最新内容推荐
Degrees of Lewdity中文汉化终极指南:零基础玩家必看的完整教程Unity游戏翻译神器:XUnity Auto Translator 完整使用指南PythonWin7终极指南:在Windows 7上轻松安装Python 3.9+终极macOS键盘定制指南:用Karabiner-Elements提升10倍效率Pandas数据分析实战指南:从零基础到数据处理高手 Qwen3-235B-FP8震撼升级:256K上下文+22B激活参数7步搞定机械键盘PCB设计:从零开始打造你的专属键盘终极WeMod专业版解锁指南:3步免费获取完整高级功能DeepSeek-R1-Distill-Qwen-32B技术揭秘:小模型如何实现大模型性能突破音频修复终极指南:让每一段受损声音重获新生
项目优选
收起
deepin linux kernel
C
27
11
OpenHarmony documentation | OpenHarmony开发者文档
Dockerfile
568
3.84 K
🔥LeetCode solutions in any programming language | 多种编程语言实现 LeetCode、《剑指 Offer(第 2 版)》、《程序员面试金典(第 6 版)》题解
Java
68
20
Nop Platform 2.0是基于可逆计算理论实现的采用面向语言编程范式的新一代低代码开发平台,包含基于全新原理从零开始研发的GraphQL引擎、ORM引擎、工作流引擎、报表引擎、规则引擎、批处理引引擎等完整设计。nop-entropy是它的后端部分,采用java语言实现,可选择集成Spring框架或者Quarkus框架。中小企业可以免费商用
Java
12
1
暂无简介
Dart
801
199
🎉 (RuoYi)官方仓库 基于SpringBoot,Spring Security,JWT,Vue3 & Vite、Element Plus 的前后端分离权限管理系统
Vue
1.37 K
781
喝着茶写代码!最易用的自托管一站式代码托管平台,包含Git托管,代码审查,团队协作,软件包和CI/CD。
Go
24
0
openEuler内核是openEuler操作系统的核心,既是系统性能与稳定性的基石,也是连接处理器、设备与服务的桥梁。
C
349
202
Ascend Extension for PyTorch
Python
379
452
无需学习 Kubernetes 的容器平台,在 Kubernetes 上构建、部署、组装和管理应用,无需 K8s 专业知识,全流程图形化管理
Go
16
1