Pothos项目中Prisma Utils插件新增createMany功能解析
在GraphQL开发中,Pothos是一个强大的类型安全Schema构建工具,而Prisma Utils是其与Prisma ORM集成的关键插件。最近,该插件新增了对createMany操作的支持,这一改进为批量创建关联数据提供了更高效的解决方案。
背景与需求
在数据库操作中,批量创建记录是常见需求。原生Prisma客户端提供了createMany方法,允许开发者一次性创建多条记录,显著提升性能。然而,在之前的Pothos Prisma Utils插件版本中,虽然支持updateMany和deleteMany等批量操作,却缺少对createMany的直接支持。
开发者在使用过程中发现,当尝试为关联关系添加createMany字段时,会遇到类型错误提示" has not been implemented"。这限制了在GraphQL API中高效处理批量创建操作的能力。
技术实现挑战
实现createMany支持面临几个技术难点:
-
特定类型需求:createMany操作需要非常特定的输入类型,如ProjectCreateManyEnvironmentVariables,这些类型需要精确匹配关联关系。
-
嵌套关系限制:这些专用输入类型不支持嵌套关系,并且需要省略源关联字段。
-
构建复杂性:在字段构建器回调中内联定义这些类型会显著增加代码复杂度。
解决方案
Pothos团队通过两种方式解决了这一问题:
-
新增builder.prismaCreateMany辅助方法:专门用于处理批量创建操作的字段定义。
-
扩展prismaUpdateRelation:在更新关联操作中直接添加createMany字段支持。
新的API使用方式如下:
builder.prismaCreateMany('Project', 'environmentVariables', {
fields: ...createManyFields
})
实际应用
开发者现在可以在关联操作中同时使用create和createMany:
const EnvironmentVariablesUpdate = builder.prismaUpdateRelation("Project", "environmentVariables", {
name: "EnvironmentVariablesUpdate",
fields: (t) => ({
create: EnvironmentVariableCreateInput,
createMany: {
data: EnvironmentVariableCreateInput,
skipDuplicates: t.boolean()
},
// 其他操作...
}),
});
性能考量
createMany的加入为处理批量数据提供了显著的性能优势。相比循环执行单个create操作,createMany能减少数据库往返次数,特别是在处理大量关联数据时效果更为明显。skipDuplicates参数还提供了处理重复数据的灵活性。
总结
Pothos Prisma Utils插件对createMany的支持完善了其批量操作能力,使开发者能够更高效地构建GraphQL API。这一改进虽然针对的是特定用例,但对于需要处理大量关联数据的应用场景来说,提供了重要的性能优化手段。随着Prisma生态的不断发展,Pothos这类工具库的持续优化将进一步提升开发体验和API性能。
kernelopenEuler内核是openEuler操作系统的核心,既是系统性能与稳定性的基石,也是连接处理器、设备与服务的桥梁。C092
baihu-dataset异构数据集“白虎”正式开源——首批开放10w+条真实机器人动作数据,构建具身智能标准化训练基座。00
mindquantumMindQuantum is a general software library supporting the development of applications for quantum computation.Python058
PaddleOCR-VLPaddleOCR-VL 是一款顶尖且资源高效的文档解析专用模型。其核心组件为 PaddleOCR-VL-0.9B,这是一款精简却功能强大的视觉语言模型(VLM)。该模型融合了 NaViT 风格的动态分辨率视觉编码器与 ERNIE-4.5-0.3B 语言模型,可实现精准的元素识别。Python00
GLM-4.7GLM-4.7上线并开源。新版本面向Coding场景强化了编码能力、长程任务规划与工具协同,并在多项主流公开基准测试中取得开源模型中的领先表现。 目前,GLM-4.7已通过BigModel.cn提供API,并在z.ai全栈开发模式中上线Skills模块,支持多模态任务的统一规划与协作。Jinja00
AgentCPM-Explore没有万亿参数的算力堆砌,没有百万级数据的暴力灌入,清华大学自然语言处理实验室、中国人民大学、面壁智能与 OpenBMB 开源社区联合研发的 AgentCPM-Explore 智能体模型基于仅 4B 参数的模型,在深度探索类任务上取得同尺寸模型 SOTA、越级赶上甚至超越 8B 级 SOTA 模型、比肩部分 30B 级以上和闭源大模型的效果,真正让大模型的长程任务处理能力有望部署于端侧。Jinja00