Fun.CQRS 1.0.0版本路线图解析:架构演进与API重构
2025-06-02 21:26:06作者:冯爽妲Honey
项目概述
Fun.CQRS是一个基于Scala语言的CQRS(命令查询职责分离)框架实现,它提供了一套完整的工具集来帮助开发者构建基于事件溯源(Event Sourcing)的应用程序。该框架即将迎来1.0.0版本的重大更新,本文将详细解析这次重构的技术细节和演进路线。
1.0.0版本重构背景
Fun.CQRS正在经历一次大规模重构,最终将发布1.0.0稳定版本。这次重构的核心目标是提升API的灵活性和易用性,同时保持框架核心概念不变。为了便于用户逐步迁移,重构将分为三个里程碑阶段:
- M1:协议定义和行为API重构
- M2:投影API改进
- M3:Akka后端集群支持
里程碑1(1.0.0-M1)详解
协议定义重构
M1版本的主要变化集中在协议定义和行为API上,主要解决了两个关键问题:
-
类型投影到路径依赖类型的转变:
- 旧版本需要继承
ProtocolLike特质以及ProtocolCommand和ProtocolEvent子特质 - 新版本采用路径依赖类型,使API更加灵活简洁
- 这一改变使得可以使用Protobuf等序列化库生成命令和事件case类
- 旧版本需要继承
-
Actions API的重构:
- 旧版本要求使用全函数(total function)声明命令处理器和事件处理器
- 虽然技术上可行,但会导致隐式解析复杂和编译错误难以理解
- 新API更加明确,开发者可以清晰地看到处理器的返回类型
新老API对比示例
旧版本API:
actions
.handleCommand {
cmd: SomeCommand => SomeEvent(...)
}
.handleCommand {
cmd: AnotherCommand => Future.successful(SomeOtherEvent(...))
}
新版本API:
actions
.commandHandler {
OneEvent {
cmd: SomeCommand => SomeEvent(...)
}
}
.handleCommand {
eventually.OneEvent {
cmd: AnotherCommand =>
Future.successful(SomeOtherEvent(...))
}
}
新API虽然略显冗长,但意图更加明确,开发者可以清楚地看到命令处理器的返回类型是直接事件(OneEvent)还是异步事件(eventually.OneEvent)。
里程碑2(1.0.0-M2)规划
M2版本将重点改进投影(Projection)API,解决当前设计中的两个主要问题:
1. 多源事件流支持
当前投影只能消费来自当前后端的事件,这在分布式系统中是一个明显的限制。改进后的API将支持:
- 从Kafka主题消费事件
- 从RSS源消费事件
- 从Redis队列消费事件
- 以及其他自定义事件源
2. 偏移量持久化与幂等性
当前设计存在以下限制:
- 偏移量总是从投影外部持久化
- 强制要求投影必须是幂等的
- 偏移量固定为Long类型
改进方向包括:
- 允许在同一个事务中持久化偏移量和视图数据
- 支持不同类型的偏移量(如时间戳UUID、字符串等)
- 将当前偏移量与正在消费的事件一起传递
里程碑3(1.0.0-Final)展望
最终版本将重点为Akka后端添加集群支持,目前考虑两种实现方案:
- 改造现有Akka后端以支持集群
- 开发全新的集群专用后端(AkkaBackendClustered)
选择标准将基于对现有非集群项目的影响程度,优先选择侵入性最小的方案。
迁移策略建议
对于现有项目用户,建议采取以下迁移策略:
- 分阶段迁移:按照里程碑顺序逐步迁移,降低风险
- M1重点测试:由于M1变化最大,需要重点测试行为API相关部分
- 评估集群需求:如果不急需集群功能,可以等待最终版本发布后再升级
总结
Fun.CQRS 1.0.0版本的重构将使框架更加灵活和强大,特别是:
- 更简洁的协议定义方式
- 更明确的命令处理API
- 更强大的投影功能
- 原生集群支持
这些改进将使Fun.CQRS更适合构建复杂的企业级CQRS/ES应用系统。开发者可以根据自身需求选择合适的时机进行升级,享受新版本带来的各种优势。
登录后查看全文
热门项目推荐
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
TextAnimator for Unity:打造专业级文字动画效果的终极解决方案 Python开发者的macOS终极指南:VSCode安装配置全攻略 全球GEOJSON地理数据资源下载指南 - 高效获取地理空间数据的完整解决方案 STM32到GD32项目移植完全指南:从兼容性到实战技巧 MQTT客户端软件源代码:物联网开发的强大工具与最佳实践指南 VSdebugChkMatch.exe:专业PDB签名匹配工具全面解析与使用指南 PANTONE潘通AI色板库:设计师必备的色彩管理利器 Python案例资源下载 - 从入门到精通的完整项目代码合集 TortoiseSVN 1.14.5.29465 中文版:高效版本控制的终极解决方案 CrystalIndex资源文件管理系统:高效索引与文件管理的最佳实践指南
项目优选
收起
deepin linux kernel
C
24
9
OpenHarmony documentation | OpenHarmony开发者文档
Dockerfile
413
3.18 K
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++
690
325
Ascend Extension for PyTorch
Python
229
258
暂无简介
Dart
679
160
React Native鸿蒙化仓库
JavaScript
265
326
🎉 (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
1.21 K
660
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
旨在打造算法先进、性能卓越、高效敏捷、安全可靠的密码套件,通过轻量级、可剪裁的软件技术架构满足各行业不同场景的多样化要求,让密码技术应用更简单,同时探索后量子等先进算法创新实践,构建密码前沿技术底座!
C
1.03 K
492
TorchAir 支持用户基于PyTorch框架和torch_npu插件在昇腾NPU上使用图模式进行推理。
Python
346
147