使用Payload Better Auth创建你的第一个插件:生日验证功能开发指南
Payload Better Auth是一个强大的身份验证解决方案,它允许开发者通过插件机制扩展核心功能。本文将带你从零开始开发一个生日验证插件,通过这个实战案例,你将掌握Payload Better Auth插件开发的核心概念和流程。
前置条件
在开始之前,请确保你已经完成了Payload Better Auth的基础配置工作。本教程假设你已经搭建好了基本的开发环境,并准备好创建你的第一个插件。
第一步:规划插件功能
任何插件开发的第一步都是明确功能需求。在本案例中,我们将开发一个生日插件,主要功能包括:
- 记录用户的出生日期
- 验证用户年龄是否超过5岁
- 提供前后端一致的验证逻辑
第二步:创建服务器端插件
Payload Better Auth的插件采用前后端分离架构,由服务器插件和客户端插件组成。服务器插件负责核心业务逻辑和数据处理,是插件系统的基石。
基础结构搭建
首先创建一个名为birthday-plugin的文件夹,并在其中创建index.ts文件:
birthday-plugin/
└── index.ts
在index.ts中,我们导出一个函数来定义我们的服务器插件:
import { createAuthClient } from "better-auth/client";
import type { BetterAuthPlugin } from "better-auth";
export const birthdayPlugin = () =>
({
id: "birthdayPlugin",
} satisfies BetterAuthPlugin);
虽然这只是一个空壳,但你已经成功创建了第一个插件的基础结构!
定义数据模型
为了存储用户的生日信息,我们需要在用户模型上扩展字段。通过定义schema,Payload Better Auth的CLI工具可以自动生成数据库迁移脚本。
export const birthdayPlugin = () =>
({
id: "birthdayPlugin",
schema: {
user: {
fields: {
birthday: {
type: "date", // 字段类型,支持string/number/boolean/date
required: true, // 是否必填,默认为false
unique: false, // 是否唯一,默认为false
reference: null // 关联字段,默认为null
},
},
},
},
} satisfies BetterAuthPlugin);
实现业务逻辑
现在,我们来实现核心功能:验证用户年龄是否超过5岁。这里我们使用**钩子(Hooks)**机制,在特定操作前后执行自定义逻辑。
import { APIError } from "better-auth/api";
import { createAuthMiddleware } from "better-auth/plugins";
export const birthdayPlugin = () => ({
// ...之前的配置
hooks: {
before: [
{
matcher: (context) => context.path.startsWith("/sign-up/email"),
handler: createAuthMiddleware(async (ctx) => {
const { birthday } = ctx.body;
// 类型验证
if(!birthday instanceof Date) {
throw new APIError("BAD_REQUEST", {
message: "生日必须是有效的日期格式"
});
}
// 年龄验证
const today = new Date();
const fiveYearsAgo = new Date(today.setFullYear(today.getFullYear() - 5));
if(birthday >= fiveYearsAgo) {
throw new APIError("BAD_REQUEST", {
message: "用户必须年满5岁以上"
});
}
return { context: ctx };
}),
},
],
},
} satisfies BetterAuthPlugin)
这段代码实现了:
- 拦截所有注册请求
- 验证生日字段是否为有效日期
- 计算用户年龄是否超过5岁
- 根据验证结果返回相应错误或继续流程
第三步:创建客户端插件
客户端插件主要负责提供类型安全和便捷的前端API。对于生日插件来说,客户端逻辑相对简单。
创建client.ts文件:
birthday-plugin/
├── index.ts
└── client.ts
添加以下内容:
import { BetterAuthClientPlugin } from "better-auth";
import type { birthdayPlugin } from "./index";
type BirthdayPlugin = typeof birthdayPlugin;
export const birthdayClientPlugin = () => {
return {
id: "birthdayPlugin",
$InferServerPlugin: {} as ReturnType<BirthdayPlugin>,
} satisfies BetterAuthClientPlugin;
};
这个客户端插件主要作用是:
- 保持与服务器插件一致的ID
- 自动推断服务器插件定义的类型
- 为前端提供类型安全的API
第四步:集成插件
完成插件开发后,需要将其集成到你的应用中。
服务器端集成
import { betterAuth } from "better-auth";
import { birthdayPlugin } from "./birthday-plugin";
export const auth = betterAuth({
plugins: [
birthdayPlugin(),
]
});
客户端集成
import { createAuthClient } from "better-auth/client";
import { birthdayClientPlugin } from "./birthday-plugin/client";
const authClient = createAuthClient({
plugins: [
birthdayClientPlugin()
]
});
数据库迁移
最后,别忘了更新数据库模型。你可以手动修改用户表,或使用CLI工具自动生成迁移:
npx @better-auth/cli@latest generate
总结与扩展
通过本教程,你已经成功开发了一个完整的Payload Better Auth插件。这个生日验证插件虽然简单,但涵盖了插件开发的所有关键环节:
- 服务器插件开发
- 数据模型定义
- 业务逻辑实现
- 客户端插件创建
- 系统集成
如果你想进一步扩展这个插件,可以考虑:
- 添加更多验证规则(如最大年龄限制)
- 实现生日提醒功能
- 添加基于年龄的分组功能
- 开发管理界面查看用户年龄分布
Payload Better Auth的插件系统非常灵活,掌握这些基础知识后,你可以开发出各种强大的身份验证扩展功能。
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