Ash框架中手动读取操作返回总数的最佳实践
在Elixir生态系统中,Ash框架作为一个强大的资源定义和管理工具,为开发者提供了灵活的数据操作方式。本文将深入探讨在使用Ash.DataLayer.Simple数据层时,如何在手动读取操作中返回记录总数这一常见需求。
问题背景
当开发者使用Ash.DataLayer.Simple作为数据层时,经常会遇到需要实现自定义查询逻辑的场景。在这些手动读取操作(read actions)中,一个常见需求是不仅要返回查询结果,还需要返回匹配记录的总数,特别是在实现分页功能时。
传统解决方案的局限性
在早期版本的Ash框架中,开发者尝试了两种主要方法来解决这个问题:
-
使用聚合函数:尝试定义如
count :count, :id这样的聚合函数,但由于Simple数据层不支持关系,会导致"relationship referenced in aggregate does not exist"错误。 -
返回分页结构体:尝试返回
Ash.Page.Offset{}结构体,但这与手动操作的返回类型约束冲突,系统期望的是简单的{:ok, results}或{:error, reason}格式。
最新解决方案
Ash框架在最新版本中引入了更优雅的解决方案。现在,开发者可以从手动读取操作中返回一个三元组,其中第三个元素是包含元数据的映射:
def read(query, _dl_query, _opts, _context) do
case MyAPIClient.fetch_records(...) do
{:ok, records, total_count} ->
{:ok, records, %{full_count: total_count}}
{:error, error} ->
{:error, error}
end
end
这种设计既保持了API的简洁性,又提供了足够的灵活性来传递额外的分页信息。
实现细节
要实现这一功能,开发者需要在资源定义中正确配置分页选项:
actions do
read :list_records do
pagination do
required? false
offset? true
countable? true # 启用计数功能
end
manual MyApp.Actions.ListRecords
end
end
关键点在于设置countable: true,这告诉Ash框架应该期待总数信息。
最佳实践
-
一致性处理:无论是否使用分页,都建议返回总数信息,保持API响应结构的一致性。
-
性能考量:对于大型数据集,获取精确总数可能代价高昂。在这种情况下,可以考虑返回近似值或实现缓存机制。
-
错误处理:当无法获取总数时,可以返回
:unknown而不是引发错误,让客户端决定如何处理这种情况。 -
文档说明:在API文档中明确说明哪些端点支持总数返回,以及总数的计算方式。
总结
Ash框架通过引入三元组返回值的支持,优雅地解决了手动读取操作中返回记录总数的需求。这一改进体现了框架设计者对开发者实际需求的深刻理解,同时也保持了API的简洁性和一致性。开发者现在可以更灵活地实现复杂的数据查询逻辑,同时提供丰富的元数据信息,为构建功能完善的API提供了坚实基础。
随着Ash框架的持续发展,我们可以期待更多这样贴心的功能改进,帮助开发者更高效地构建Elixir应用程序。
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