ASP.NET Extensions项目中的响应缓存优化:移除DiskBasedResponseCache的CacheOptions
2025-06-27 18:02:15作者:秋阔奎Evelyn
在ASP.NET Extensions项目中,响应缓存机制是提升应用性能的重要组件。近期开发团队对DiskBasedResponseCacheProvider进行了重要重构,移除了CacheOptions相关功能,这一变更值得深入探讨。
原有架构分析
在重构前的版本中,DiskBasedResponseCacheProvider通过一个选项文件支持两项关键功能:
- 可配置的缓存条目默认生存时间(TTL)
- 特殊的缓存模式设置
缓存模式设置尤其特殊,它允许开发者:
- 完全关闭缓存功能
- 在缓存未命中时阻止调用LLM(大型语言模型)
相比之下,AzureStorageResponseCacheProvider的实现更为简洁,仅支持通过代码构造函数参数来调整默认TTL,不提供选项文件或特殊缓存模式功能。
重构决策背景
开发团队做出这一重构决策基于以下几点考虑:
- 功能必要性:特殊缓存模式在实际生产环境中使用场景有限,属于较为边缘的功能需求
- 设计一致性:统一DiskBased和AzureStorage两种缓存提供程序的接口设计
- 职责单一性:保持核心缓存组件的简洁性,将特殊需求留给自定义实现
- 维护成本:减少不必要的配置选项可以降低长期维护负担
重构后的架构
重构后的DiskBasedResponseCacheProvider具有以下特点:
- 简化构造函数:与AzureStorageResponseCacheProvider保持一致的构造函数设计,都支持通过代码设置默认TTL
- 移除选项文件:不再支持通过外部文件配置缓存行为
- 移除特殊模式:不再支持完全禁用缓存或阻止LLM调用的模式
对于确实需要特殊缓存行为的场景,建议开发者实现自定义的IResponseCacheProvider接口。这种设计既保持了核心组件的简洁性,又为特殊需求提供了扩展点。
技术实现建议
对于需要实现自定义缓存行为的开发者,可以考虑以下模式:
public class CustomResponseCacheProvider : IResponseCacheProvider
{
private readonly IResponseCacheProvider _innerProvider;
private readonly bool _blockOnMiss;
public CustomResponseCacheProvider(IResponseCacheProvider innerProvider, bool blockOnMiss)
{
_innerProvider = innerProvider;
_blockOnMiss = blockOnMiss;
}
public async Task<ResponseCacheResult> ReadAsync(string prompt)
{
var result = await _innerProvider.ReadAsync(prompt);
if (_blockOnMiss && !result.IsHit)
{
throw new CacheMissException("Cache miss and blocking enabled");
}
return result;
}
// 实现其他接口方法...
}
这种装饰器模式既复用了现有缓存提供程序的功能,又添加了特殊行为,是遵循开闭原则的良好实践。
迁移指南
对于现有使用CacheOptions的应用程序,迁移到新版本需要:
- 删除对CacheOptions文件的引用
- 通过构造函数参数设置默认TTL
- 如需特殊缓存模式,实现自定义缓存提供程序
- 更新依赖注入配置
总结
这次重构体现了ASP.NET Extensions项目对简洁设计和一致性的追求。通过移除非核心功能,不仅简化了代码库,还促使开发者更明确地表达其缓存需求。对于大多数应用场景,新的设计提供了足够的灵活性;对于特殊需求,清晰的自定义路径也确保了扩展性。这种平衡是框架设计成熟度的体现,值得开发者学习和借鉴。
登录后查看全文
热门项目推荐
相关项目推荐
ERNIE-4.5-VL-28B-A3B-ThinkingERNIE-4.5-VL-28B-A3B-Thinking 是 ERNIE-4.5-VL-28B-A3B 架构的重大升级,通过中期大规模视觉-语言推理数据训练,显著提升了模型的表征能力和模态对齐,实现了多模态推理能力的突破性飞跃Python00
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
MiniMax-M2MiniMax-M2是MiniMaxAI开源的高效MoE模型,2300亿总参数中仅激活100亿,却在编码和智能体任务上表现卓越。它支持多文件编辑、终端操作和复杂工具链调用Python00
Spark-Prover-X1-7BSpark-Prover 是由科大讯飞团队开发的专用大型语言模型,专为 Lean4 中的自动定理证明而设计。该模型采用创新的三阶段训练策略,显著增强了形式化推理能力,在同等规模的开源模型中实现了最先进的性能。Python00
MiniCPM-V-4_5MiniCPM-V 4.5 是 MiniCPM-V 系列中最新且功能最强的模型。该模型基于 Qwen3-8B 和 SigLIP2-400M 构建,总参数量为 80 亿。与之前的 MiniCPM-V 和 MiniCPM-o 模型相比,它在性能上有显著提升,并引入了新的实用功能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
GOT-OCR-2.0-hf阶跃星辰StepFun推出的GOT-OCR-2.0-hf是一款强大的多语言OCR开源模型,支持从普通文档到复杂场景的文字识别。它能精准处理表格、图表、数学公式、几何图形甚至乐谱等特殊内容,输出结果可通过第三方工具渲染成多种格式。模型支持1024×1024高分辨率输入,具备多页批量处理、动态分块识别和交互式区域选择等创新功能,用户可通过坐标或颜色指定识别区域。基于Apache 2.0协议开源,提供Hugging Face演示和完整代码,适用于学术研究到工业应用的广泛场景,为OCR领域带来突破性解决方案。00
项目优选
收起
deepin linux kernel
C
24
7
OpenHarmony documentation | OpenHarmony开发者文档
Dockerfile
321
2.74 K
仓颉编译器源码及 cjdb 调试工具。
C++
124
851
Ascend Extension for PyTorch
Python
157
178
本项目是CANN提供的数学类基础计算算子库,实现网络在NPU上加速计算。
C++
640
249
TorchAir 支持用户基于PyTorch框架和torch_npu插件在昇腾NPU上使用图模式进行推理。
Python
244
86
暂无简介
Dart
608
136
React Native鸿蒙化仓库
JavaScript
239
311
旨在打造算法先进、性能卓越、高效敏捷、安全可靠的密码套件,通过轻量级、可剪裁的软件技术架构满足各行业不同场景的多样化要求,让密码技术应用更简单,同时探索后量子等先进算法创新实践,构建密码前沿技术底座!
C
1.03 K
470
本仓将收集和展示高质量的仓颉示例代码,欢迎大家投稿,让全世界看到您的妙趣设计,也让更多人通过您的编码理解和喜爱仓颉语言。
Cangjie
364
3.03 K