FastEndpoints 实现 Blazor WebAssembly 的 GRPC 支持深度解析
背景与挑战
FastEndpoints 作为一个高效的 .NET API 框架,其远程消息功能(Fastendpoints.Messaging.Remote)原本主要面向服务器间通信场景。随着 Blazor WebAssembly 的普及,开发者希望能在浏览器环境中也能利用这一强大的命令-响应机制。
传统 GRPC 在浏览器环境面临核心限制:浏览器运行时无法直接使用 SocketsHttpHandler,而必须依赖 HttpClientHandler 和 Grpc.Net.Client.Web 包提供的 Web 传输层。这导致了原始 FastEndpoints 远程消息模块无法直接在 WASM 环境中运行。
技术实现方案
架构重组
解决方案的核心是对原有消息模块进行合理拆分:
-
FastEndpoints.Messaging.Remote.Core
基础通信层,包含客户端核心功能,专为浏览器环境设计:- 移除了 SocketsHttpHandler 依赖
- 集成 Grpc.Net.Client.Web 支持
- 精简了仅保留必要的命令执行功能
-
FastEndpoints.Messaging.Remote
完整功能包,包含服务端和高级特性:- 保持原有服务器实现
- 依赖 Core 包提供基础能力
- 添加事件发布/订阅等高级功能
关键实现细节
浏览器端配置需要特殊处理:
// WASM 项目启动配置
builder.Services.MapRemoteCore("https://api.example.com", c =>
{
c.Register<CreateOrderCommand, CreateOrderResult>();
});
服务端 GRPC Web 支持需要显式启用:
// 服务端 Program.cs
app.UseGrpcWeb(new GrpcWebOptions { DefaultEnabled = true });
事件订阅机制经过优化后支持多客户端:
// 事件中心注册时指定广播模式
h.RegisterEventHub<OrderEvent>(HubMode.EventBroker);
性能优化与调试
实践中发现几个关键性能要点:
-
HTTP/2 协议配置
Kestrel 必须明确配置 Http2 协议支持,否则会导致连接异常:"Kestrel": { "Endpoints": { "grpc": { "Url": "http://*:5000", "Protocols": "Http2" } } } -
事件实时性优化
原始实现中的 60 秒等待超时会影响事件实时性,优化后改为:await subscriber.Sem.WaitAsync(cts.Token); -
客户端标识
多客户端场景需要唯一标识来区分订阅者,避免消息被单客户端独占。
最佳实践建议
-
混合应用架构
- 浏览器端:使用 Core 包处理基础命令
- 服务器间:使用完整包实现高级消息模式
-
异常处理
浏览器环境需特别注意 GRPC 状态码处理:try { await command.RemoteExecuteAsync(); } catch (RpcException ex) { // 处理特定状态码 } -
性能监控
建议在生产环境监控:- GRPC 调用延迟
- 消息吞吐量
- 浏览器内存使用情况
未来展望
随着 Blazor WASM 的持续演进,FastEndpoints 的远程消息功能有望进一步优化:
- 更智能的传输层自动选择
- 针对浏览器环境的轻量级序列化
- 与 SignalR 的深度集成方案
- 客户端资源消耗的精细控制
这套方案不仅解决了浏览器环境的技术限制,更为分布式应用提供了统一的编程模型,体现了 FastEndpoints 框架强大的扩展性和适应性。
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