Matrix-js-sdk 中 IndexedDBStore 初始化问题的分析与解决
在升级 matrix-js-sdk 从 29.1.0 到 30.3.0 版本时,开发者可能会遇到一个关于 IndexedDBStore 初始化的错误:"createUser is undefined, it should be set with setUserCreator()!"。这个问题涉及到 SDK 存储层的初始化流程变更,需要开发者调整初始化顺序或采用新的 API 使用方式。
问题背景
Matrix-js-sdk 是一个用于构建 Matrix 协议客户端的 JavaScript SDK。IndexedDBStore 是该 SDK 提供的基于 IndexedDB 的持久化存储实现,用于保存会话数据、用户信息等内容。在 30.3.0 版本中,存储层的初始化流程发生了变化,导致原有代码可能无法正常工作。
错误原因分析
当开发者按照旧版本文档中的示例代码初始化 IndexedDBStore 时:
let opts = { indexedDB: window.indexedDB, localStorage: window.localStorage };
let store = new IndexedDBStore(opts);
await store.startup();
系统会抛出错误,提示 createUser 方法未定义。这是因为在新版本中,IndexedDBStore 需要在初始化时明确知道如何创建用户对象,而旧版本中这一步骤是隐式完成的。
解决方案
临时解决方案(不推荐)
可以使用一个未公开且已废弃的方法临时解决问题:
indexedDBStore.setUserCreator(uid => new sdk.User(uid));
await indexedDBStore.startup();
虽然这种方法可以暂时解决问题,但由于它使用了未公开的 API,存在未来版本不兼容的风险,不建议在生产环境中长期使用。
推荐解决方案
正确的做法是调整初始化顺序,先创建客户端实例,再将其与存储关联:
const indexedDBStore = new sdk.IndexedDBStore({
indexedDB: global.indexedDB,
localStorage: global.localStorage,
dbName: 'web-sync-store',
});
this.matrixClient = sdk.createClient({
baseUrl: secret.baseUrl,
accessToken: secret.accessToken,
userId: secret.userId,
store: indexedDBStore,
// 其他配置...
});
await indexedDBStore.startup();
这种方式的优点在于:
- 完全使用公开且稳定的 API
- 符合 SDK 的设计意图
- 未来版本兼容性更好
技术原理
在 matrix-js-sdk 的内部实现中,IndexedDBStore 需要能够创建用户对象来处理存储中的用户数据。新版本中,这一功能被明确分离出来,要求开发者通过正确的初始化顺序来确保依赖关系正确建立。
当先创建客户端实例再启动存储时,存储层能够从客户端获取必要的用户创建功能,避免了直接依赖未公开的 API。这种设计更符合模块化原则,也使得依赖关系更加清晰。
总结
Matrix-js-sdk 30.3.0 版本对存储初始化流程进行了调整,开发者需要相应更新初始化代码。最佳实践是先创建客户端实例,再启动存储,而不是直接调用 setUserCreator 这样的未公开 API。这种变更反映了 SDK 向更清晰架构的演进,虽然短期内可能导致兼容性问题,但从长远看有利于项目的可维护性和稳定性。
GLM-5.1GLM-5.1是智谱迄今最智能的旗舰模型,也是目前全球最强的开源模型。GLM-5.1大大提高了代码能力,在完成长程任务方面提升尤为显著。和此前分钟级交互的模型不同,它能够在一次任务中独立、持续工作超过8小时,期间自主规划、执行、自我进化,最终交付完整的工程级成果。Jinja00
MiniMax-M2.7MiniMax-M2.7 是我们首个深度参与自身进化过程的模型。M2.7 具备构建复杂智能体应用框架的能力,能够借助智能体团队、复杂技能以及动态工具搜索,完成高度精细的生产力任务。Python00- QQwen3.5-397B-A17BQwen3.5 实现了重大飞跃,整合了多模态学习、架构效率、强化学习规模以及全球可访问性等方面的突破性进展,旨在为开发者和企业赋予前所未有的能力与效率。Jinja00
HY-Embodied-0.5这是一套专为现实世界具身智能打造的基础模型。该系列模型采用创新的混合Transformer(Mixture-of-Transformers, MoT) 架构,通过潜在令牌实现模态特异性计算,显著提升了细粒度感知能力。Jinja00
LongCat-AudioDiT-1BLongCat-AudioDiT 是一款基于扩散模型的文本转语音(TTS)模型,代表了当前该领域的最高水平(SOTA),它直接在波形潜空间中进行操作。00
ERNIE-ImageERNIE-Image 是由百度 ERNIE-Image 团队开发的开源文本到图像生成模型。它基于单流扩散 Transformer(DiT)构建,并配备了轻量级的提示增强器,可将用户的简短输入扩展为更丰富的结构化描述。凭借仅 80 亿的 DiT 参数,它在开源文本到图像模型中达到了最先进的性能。该模型的设计不仅追求强大的视觉质量,还注重实际生成场景中的可控性,在这些场景中,准确的内容呈现与美观同等重要。特别是,ERNIE-Image 在复杂指令遵循、文本渲染和结构化图像生成方面表现出色,使其非常适合商业海报、漫画、多格布局以及其他需要兼具视觉质量和精确控制的内容创作任务。它还支持广泛的视觉风格,包括写实摄影、设计导向图像以及更多风格化的美学输出。Jinja00