Drizzle ORM 中 snake_case 命名风格的配置问题解析
在使用 Drizzle ORM 进行数据库操作时,开发者经常会遇到命名风格不一致的问题。本文将深入分析 Drizzle ORM 和 Drizzle Kit 中 snake_case 命名风格的配置方式,帮助开发者避免常见的配置陷阱。
问题背景
Drizzle ORM 提供了灵活的命名风格配置选项,允许开发者在数据库列名和表名中使用不同的命名约定。然而,很多开发者在使用过程中发现,即使他们在 Drizzle 客户端配置了 casing: 'snake_case',生成的数据库列名仍然保持 camelCase 风格。
核心问题分析
这个问题实际上源于 Drizzle ORM 和 Drizzle Kit 是两个独立的工具,它们各自有自己的配置系统:
- Drizzle ORM 配置:控制运行时查询时的命名转换行为
- Drizzle Kit 配置:控制数据库迁移和代码生成时的命名风格
正确配置方式
要完全实现 snake_case 命名风格,需要在两个地方进行配置:
1. Drizzle 客户端配置
import { drizzle } from 'drizzle-orm/libsql';
const db = drizzle('file:local.sqlite', {
casing: 'snake_case', // 控制查询时的命名转换
schema: { usersTable }
});
2. Drizzle Kit 配置
import { defineConfig } from 'drizzle-kit';
export default defineConfig({
out: './drizzle',
schema: './schema.ts',
dialect: 'sqlite',
casing: 'snake_case', // 控制生成时的命名风格
dbCredentials: {
url: './local.sqlite',
},
});
常见误区
-
仅配置客户端:只配置 Drizzle 客户端的
casing选项会导致生成时的列名仍然是 camelCase,而查询时却尝试使用 snake_case,造成列名不匹配错误。 -
配置位置混淆:有些开发者误以为 Drizzle Kit 的配置会继承 Drizzle ORM 的配置,实际上它们是独立的。
最佳实践
-
保持命名风格一致性:在项目初期就确定好命名风格,并在所有配置文件中统一使用。
-
测试验证:在配置完成后,应该通过实际生成和查询操作验证命名风格是否符合预期。
-
文档记录:在团队项目中,应该将命名风格配置写入项目文档,避免团队成员使用不一致的配置。
总结
Drizzle ORM 的命名风格配置需要同时在 ORM 客户端和 Kit 工具中进行设置才能完全生效。理解这两个配置的独立性和各自的作用范围,是避免命名风格问题的关键。通过本文的解析,希望开发者能够更好地掌握 Drizzle ORM 的命名风格配置方法,提高开发效率和代码质量。
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