FluentMigrator 项目移除过时的 ApplicationContext 设计
2025-06-24 15:31:10作者:何将鹤
在 FluentMigrator 这个数据库迁移工具的最新版本中,开发团队决定移除一个过时的设计——ApplicationContext。这一变更反映了现代 .NET 开发中依赖注入(DI)模式的最佳实践。
背景与问题
ApplicationContext 原本是 FluentMigrator 中用于传递应用程序特定上下文信息的机制。在早期版本中,它允许开发者在迁移过程中访问自定义的上下文数据。然而,随着 .NET Core 和后续版本中依赖注入成为标准实践,这种设计逐渐显得冗余且不够灵活。
解决方案
开发团队意识到,现代 .NET 应用程序已经普遍采用依赖注入容器来管理服务生命周期和依赖关系。因此,他们决定:
- 完全移除旧的 ApplicationContext 实现
- 鼓励开发者使用标准的依赖注入机制来传递所需的上下文
- 通过强类型服务注册提供更好的类型安全性和开发体验
技术优势
这一变更带来了几个显著优势:
类型安全性增强:依赖注入允许使用强类型服务,相比原来的弱类型 ApplicationContext,编译器可以在构建时捕获更多错误。
更好的可测试性:依赖注入使得单元测试更加容易,可以轻松地模拟(mock)或替换(stub)依赖项。
更清晰的架构:移除特殊上下文机制后,代码更加符合 .NET 生态系统的通用模式,降低了学习曲线。
灵活性提高:开发者可以自由选择适合自己项目的依赖注入生命周期(瞬态、作用域或单例)。
迁移指南
对于现有项目,开发者需要:
- 识别所有使用 ApplicationContext 的迁移类
- 将这些依赖改为通过构造函数注入
- 在应用程序启动时注册所需服务
例如,原来的:
public class MyMigration : Migration
{
public override void Up()
{
var context = ApplicationContext;
// 使用上下文...
}
}
应改为:
public class MyMigration : Migration
{
private readonly MyCustomContext _context;
public MyMigration(MyCustomContext context)
{
_context = context;
}
public override void Up()
{
// 使用_context...
}
}
设计理念
这一变更体现了 FluentMigrator 项目遵循的几个重要软件设计原则:
- 单一职责原则:迁移类现在更专注于数据库变更本身,上下文管理交给专门的DI容器
- 依赖倒置原则:高层模块不再直接依赖低层的上下文实现
- 显式优于隐式:所有依赖都通过构造函数明确声明,提高了代码的可读性和可维护性
结论
FluentMigrator 移除 ApplicationContext 的决策代表了项目向现代化 .NET 开发实践的靠拢。这一变化虽然需要现有项目进行一些适配,但长远来看将带来更健壮、更易维护的代码基础。对于新项目,建议从一开始就采用依赖注入模式来管理迁移所需的任何上下文或服务。
登录后查看全文
热门项目推荐
相关项目推荐
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
最新内容推荐
电脑PC网易云音乐免安装皮肤插件使用指南:个性化音乐播放体验 开源电子设计自动化利器:KiCad EDA全方位使用指南 Jetson TX2开发板官方资源完全指南:从入门到精通 昆仑通态MCGS与台达VFD-M变频器通讯程序详解:工业自动化控制完美解决方案 基恩士LJ-X8000A开发版SDK样本程序全面指南 - 工业激光轮廓仪开发利器 PhysioNet医学研究数据库:临床数据分析与生物信号处理的权威资源指南 QT连接阿里云MySQL数据库完整指南:从环境配置到问题解决 Python案例资源下载 - 从入门到精通的完整项目代码合集 2022美赛A题优秀论文深度解析:自行车功率分配建模的成功方法 TJSONObject完整解析教程:Delphi开发者必备的JSON处理指南
项目优选
收起
deepin linux kernel
C
24
9
Ascend Extension for PyTorch
Python
223
245
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
9
1
暂无简介
Dart
672
157
本项目是CANN提供的数学类基础计算算子库,实现网络在NPU上加速计算。
C++
662
313
React Native鸿蒙化仓库
JavaScript
262
323
🔥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
64
19
仓颉编译器源码及 cjdb 调试工具。
C++
134
867
仓颉编程语言测试用例。
Cangjie
37
860
openGauss kernel ~ openGauss is an open source relational database management system
C++
160
218