EntityFramework Core 10.0 Preview 3 新特性解析
EntityFramework Core 是微软推出的轻量级、可扩展、跨平台的对象关系映射(ORM)框架,它允许.NET开发者使用.NET对象与数据库进行交互,而无需过多关注底层数据库操作细节。最新发布的10.0 Preview 3版本带来了一系列值得关注的新特性和改进。
复杂类型支持增强
本次更新中,EF Core对复杂类型的支持得到了显著增强。开发团队添加了对可选复杂类型的模型构建支持,这意味着现在可以更灵活地定义和操作复杂类型。复杂类型(Complex Types)是EF Core中用于表示值对象的概念,它们没有自己的标识符,而是作为实体的一部分存在。
这一改进使得开发者能够更自然地建模领域模型中的值对象,特别是在领域驱动设计(DDD)场景下。可选复杂类型特别适用于那些在某些情况下可能为null的值对象属性,为数据建模提供了更大的灵活性。
默认值支持改进
EF Core 10.0 Preview 3修复了#21006号问题,增加了对非空属性默认值的支持。现在,开发者可以为非空属性指定默认值,当创建新实体时,如果未显式设置这些属性的值,EF Core会自动使用配置的默认值。
这一特性在以下场景特别有用:
- 数据库中有默认约束的列
- 需要为某些属性提供初始值的业务场景
- 简化实体创建代码,减少样板代码量
查询日志改进
查询日志功能得到了增强,现在能够更好地处理内联到查询中的常量值。当EF Core将LINQ查询转换为SQL时,有时会将变量值内联为常量。新版本改进了日志记录,使得这些内联的常量值能够被正确记录,同时保护敏感信息不被泄露。
这一改进使得调试和性能分析更加方便,开发者可以更准确地看到实际执行的查询内容,有助于识别潜在的性能问题和逻辑错误。
脚手架命令改进
Scaffold-DBContext命令现在能够正确设置执行环境。这一改进解决了在某些情况下执行数据库反向工程时可能遇到的环境配置问题,使得从现有数据库生成实体类的过程更加可靠。
SQLite扩展加载改进
针对SQLite数据库,EF Core改进了LoadExtension方法的处理方式,现在能够更好地与dotnet run命令和以"lib"开头的库名配合工作。这一改进增强了SQLite扩展的加载能力,为使用SQLite特定功能的开发者提供了更好的体验。
性能优化
本次更新包含了几项性能优化:
- 改进了funcletizer对Span-based重载的处理,将其转换为Enumerable形式
- 正确处理funcletizer中的Coalesce简化Convert节点
- 减少了不必要的类型查找和转换操作
这些优化有助于提升查询编译和执行效率,特别是在处理复杂查询时。
迁移改进
修复了从EF Core 8升级到9时出现的迁移问题,特别是MigrationBuilder.DropTable操作导致后续表重建问题的回归。这一修复确保了迁移操作的可靠性,特别是在需要删除并重新创建表的场景下。
总结
EntityFramework Core 10.0 Preview 3在多个方面进行了改进和优化,包括复杂类型支持、默认值处理、查询日志、脚手架命令、SQLite集成以及性能优化等。这些改进不仅增强了框架的功能性,也提升了开发体验和运行时性能。对于正在评估或已经使用EF Core的项目团队来说,这个预览版值得关注和试用。
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