Tortoise-ORM中auto_now字段更新机制解析
问题现象
在使用Tortoise-ORM时,开发者发现模型中使用auto_now参数的时间字段在调用update()方法时不会自动更新,而期望的行为是在任何数据变更时该字段都能自动更新为当前时间。
技术背景
auto_now是Tortoise-ORM中一个常用的字段参数,通常用于记录模型实例的最后修改时间。当设置为True时,理论上每次保存模型实例时,该字段都会自动更新为当前时间。
根本原因分析
经过深入分析,发现Tortoise-ORM中auto_now字段的更新机制存在以下特点:
-
仅响应save()方法:
auto_now字段只在显式调用模型实例的save()方法时才会自动更新,这是ORM层面的行为。 -
update()方法的特殊性:
update()方法是直接在SQL层面执行更新操作,绕过了ORM的模型实例保存流程,因此不会触发auto_now字段的更新机制。 -
数据库差异:有开发者反馈在某些数据库后端(如SQLite)中
auto_now可能完全失效,而在MySQL等数据库中表现正常,这表明该功能可能对数据库类型有依赖性。
解决方案
针对这一问题,推荐以下几种解决方案:
方案一:使用save()方法替代update()
movie = await Movie.filter(id=pk).first()
if movie:
movie.title = new_title # 更新需要修改的字段
await movie.save() # 调用save()方法触发auto_now更新
方案二:手动更新时间字段
如果必须使用update()方法,可以显式地更新时间字段:
await Movie.filter(id=pk).update(
title=new_title,
updated_at=datetime.now()
)
方案三:使用信号机制
通过Tortoise-ORM的信号系统,在数据更新时自动设置时间字段:
from tortoise.signals import post_save
@post_save(Movie)
async def update_timestamp(sender, instance, created, **kwargs):
if not created:
instance.updated_at = datetime.now()
await instance.save()
最佳实践建议
-
明确区分
update()和save()的使用场景:批量更新使用update(),单条记录修改使用save() -
对于关键时间戳字段,考虑添加数据库层面的触发器作为双重保障
-
在项目初期进行数据库选型时,应测试
auto_now在各目标数据库中的表现 -
重要的时间记录建议采用应用层和数据库层双重记录机制
总结
Tortoise-ORM中auto_now字段的行为设计体现了ORM与直接SQL操作的区别。理解这一机制有助于开发者更合理地设计数据模型和选择适当的更新方法。在需要精确记录修改时间的场景下,建议采用方案一或方案三来确保时间戳的正确更新。
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