Kysely 中 fn.agg 方法的类型检查问题解析
2025-05-19 08:12:04作者:明树来
问题背景
在使用 Kysely 这个 TypeScript SQL 查询构建器时,开发者可能会遇到 fn.agg 方法的类型检查问题。这是一个常见但容易被忽视的细节问题,特别是在构建复杂查询时。
核心问题分析
fn.agg 方法是 Kysely 提供的一个用于调用聚合函数的工具方法。开发者报告的问题主要出现在两种场景中:
- 参数类型错误:直接传递字符串而非字符串数组作为第二个参数
- 上下文缺失:在子查询中使用
fn时没有正确获取当前查询构建器的上下文
正确用法详解
基本用法修正
对于简单的聚合查询,正确的写法应该是:
const result = await db.selectFrom('person')
.select(({ fn }) => fn.agg<string[]>('array_agg', ['first_name']).as('imageNames'))
.execute()
关键点在于第二个参数必须是一个数组,即使只聚合一个字段。
复杂查询中的用法
在包含子查询的复杂场景中,需要特别注意 fn 的获取方式:
const result = await db
.selectFrom("person")
.leftJoin(
(x) =>
x
.selectFrom("pet")
.select([
"owner_id",
(x2) => x2.fn.agg<string[]>("array_agg", ["name"]).as("names"),
])
.groupBy("owner_id")
.as("pets"),
(join) => join.onRef("id", "=", "owner_id"),
)
.execute()
这里的关键点在于:
- 使用箭头函数参数
x2来获取正确的查询构建器上下文 - 确保
fn是从当前查询构建器中获取的
类型系统设计思考
Kysely 的类型系统设计有以下几个特点:
- 严格的类型检查:强制要求聚合字段以数组形式传递
- 上下文感知:
fn方法必须从当前查询构建器中获取,以确保类型安全 - 泛型支持:通过
<string[]>这样的泛型参数指定返回类型
开发者建议
- 仔细阅读错误信息:TypeScript 的错误信息通常会明确指出期望的类型
- 分步构建查询:对于复杂查询,建议先构建基础部分,再逐步添加复杂逻辑
- 利用IDE提示:现代IDE可以提供很好的类型提示,帮助发现潜在问题
总结
Kysely 的类型系统虽然严格,但这种严格性正是它能在编译时捕获许多SQL错误的关键。理解 fn.agg 的正确用法不仅能让代码通过类型检查,还能确保生成的SQL查询符合预期。对于刚接触Kysely的开发者,建议从简单查询开始,逐步掌握这些类型约束的规律。
登录后查看全文
热门项目推荐
相关项目推荐
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
最新内容推荐
MQTT 3.1.1协议中文版文档:物联网开发者的必备技术指南 Solidcam后处理文件下载与使用完全指南:提升CNC编程效率的必备资源 Python案例资源下载 - 从入门到精通的完整项目代码合集 TortoiseSVN 1.14.5.29465 中文版:高效版本控制的终极解决方案 CrystalIndex资源文件管理系统:高效索引与文件管理的最佳实践指南 QT连接阿里云MySQL数据库完整指南:从环境配置到问题解决 Windows Server 2016 .NET Framework 3.5 SXS文件下载与安装完整指南 Python开发者的macOS终极指南:VSCode安装配置全攻略 瀚高迁移工具migration-4.1.4:企业级数据库迁移的智能解决方案 STM32到GD32项目移植完全指南:从兼容性到实战技巧
项目优选
收起
deepin linux kernel
C
24
9
Ascend Extension for PyTorch
Python
223
246
暂无简介
Dart
672
157
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++
663
313
React Native鸿蒙化仓库
JavaScript
262
324
Nop Platform 2.0是基于可逆计算理论实现的采用面向语言编程范式的新一代低代码开发平台,包含基于全新原理从零开始研发的GraphQL引擎、ORM引擎、工作流引擎、报表引擎、规则引擎、批处理引引擎等完整设计。nop-entropy是它的后端部分,采用java语言实现,可选择集成Spring框架或者Quarkus框架。中小企业可以免费商用
Java
9
1
🎉 (RuoYi)官方仓库 基于SpringBoot,Spring Security,JWT,Vue3 & Vite、Element Plus 的前后端分离权限管理系统
Vue
1.2 K
655
🔥LeetCode solutions in any programming language | 多种编程语言实现 LeetCode、《剑指 Offer(第 2 版)》、《程序员面试金典(第 6 版)》题解
Java
64
19
openGauss kernel ~ openGauss is an open source relational database management system
C++
160
218
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
330
137