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。
atomcodeClaude Code 的开源替代方案。连接任意大模型,编辑代码,运行命令,自动验证 — 全自动执行。用 Rust 构建,极致性能。 | An open-source alternative to Claude Code. Connect any LLM, edit code, run commands, and verify changes — autonomously. Built in Rust for speed. Get StartedRust0197
cann-learning-hubCANN 学习中心仓,支持在线互动运行、边学边练,提供教程、示例与优化方案,一站式助力昇腾开发者快速上手。Jupyter Notebook0126
MiMo-V2.5-Pro-FP4-DFlashMiMo-V2.5-Pro-FP4-DFlash 是驱动 MiMo-V2.5-Pro-UltraSpeed 的底层模型: FP4 量化骨干网络:对 MoE 专家采用 MXFP4 量化,同时保持模型其他部分的更高精度,在几乎无损质量的前提下,显著减小模型体积并降低内存带宽压力。 BF16 DFlash 草稿生成器:用于块扩散推测解码,每次前向传播可生成一整个块的 tokens,并让骨干网络一步完成验证。 两者协同作用,既降低了每参数的位宽,又减少了骨干网络前向传播的次数,而这两者正是万亿参数模型解码过程中的两大主要成本来源。Python00
JoyAI-EchoJoyAI-Echo,这是一个独立的、仅用于推理的版本,旨在实现分钟级多镜头音视频生成。它采用了经过蒸馏的DMD生成器、配对的跨模态记忆以及故事级别的一致性。其性能的核心在于,一个跨模态视听记忆库能够在长达五分钟的视频中保持角色外观和语音音色的一致性。同时,一个训练后处理流程将基于记忆的强化学习与分布匹配蒸馏相结合,实现了7.5倍的速度提升,显著增强了视觉质量和对齐效果。00
AstrBot✨ 易上手的多平台 LLM 聊天机器人及开发框架 ✨ 平台支持 QQ、QQ频道、Telegram、微信、企微、飞书 | OpenAI、DeepSeek、Gemini、硅基流动、月之暗面、Ollama、OneAPI、Dify 等。附带 WebUI。Python06
handy-ollama动手学Ollama,CPU玩转大模型部署,在线阅读地址:https://datawhalechina.github.io/handy-ollama/Jupyter Notebook07