ASP.NET Extensions 项目中的 AI 服务生命周期管理优化
在 ASP.NET Extensions 项目中,开发团队正在讨论如何优化 AI 相关服务的依赖注入生命周期管理。当前实现中,IChatClient 的注册默认使用了 Singleton(单例)生命周期,这在某些特定场景下可能不够灵活。
当前实现的问题
目前,Microsoft.Extensions.AI 包中的服务注册扩展方法强制使用了单例生命周期。这种设计在大多数情况下是合理的,因为它符合 Aspire 框架的约定,并且对于大多数 AI 服务来说,单例模式是最优选择。
然而,在某些特殊场景下,这种硬编码的生命周期限制会带来问题。例如,在 GitHub Copilot 代理的实现中,客户端需要根据每个请求中使用的特定 GitHub 令牌进行范围限定(Scoped)。当前的单例实现无法满足这种需求。
解决方案讨论
开发团队提出了几种可能的改进方案:
-
多方法方案:按照 .NET 依赖注入的命名惯例,提供不同生命周期版本的注册方法,如 AddSingletonChatClient、AddScopedChatClient 和 AddTransientChatClient。这种方案虽然直观,但会引入 API 破坏性变更。
-
参数化方案:借鉴 Entity Framework Core 的做法,在现有方法中添加一个可选的 ServiceLifetime 参数。例如:
services.AddChatClient(configure, lifetime: ServiceLifetime.Scoped);
团队更倾向于第二种方案,因为它:
- 保持了 API 的简洁性
- 与现有 .NET 生态系统的设计模式一致
- 提供了更大的灵活性而不破坏现有代码
技术考量
在实现这种改进时,需要考虑几个技术细节:
-
默认值保持:为了向后兼容,默认生命周期应保持为 Singleton。
-
性能影响:对于 AI 服务这种可能涉及网络调用的组件,需要仔细评估不同生命周期对性能的影响。
-
线程安全:如果选择支持非单例生命周期,需要确保客户端实现是线程安全的。
-
资源管理:特别是对于 Scoped 和 Transient 生命周期,需要妥善处理资源的创建和释放。
最佳实践建议
基于这个讨论,可以总结出一些服务注册的最佳实践:
-
优先使用单例:对于无状态的、线程安全的服务,单例是最佳选择。
-
按需灵活:当服务需要请求特定上下文时,应支持更灵活的生命周期。
-
一致性设计:遵循框架已有的模式(如 EF Core 的参数化生命周期)可以提高 API 的易用性。
-
明确文档:对于支持多种生命周期的服务,应在文档中明确说明每种情况下的适用场景和注意事项。
这个改进将使 ASP.NET Extensions 项目中的 AI 服务注册更加灵活,同时保持与整个 .NET 生态系统的一致性。
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