FreeSql中AuditValue审计功能与Repository更新问题的分析与解决
问题背景
在使用FreeSql ORM框架时,开发人员发现当同时使用AuditValue审计功能、Repository的AttachOnlyPrimary属性以及UpdateAsync方法时,会出现两个主要问题:
- AuditValue事件被触发了两次
- 检测到的数据更新不完整
这些问题影响了审计功能的准确性和可靠性,可能导致审计日志记录不完整或重复。
问题分析
经过深入分析,这些问题主要源于FreeSql内部的事件触发机制和Repository的工作方式之间的交互问题。具体表现为:
-
双重触发:当使用Repository进行更新操作时,FreeSql的内部机制可能导致AuditValue事件被多次触发,这通常发生在实体状态跟踪和实际更新操作两个阶段。
-
数据不完整:由于事件触发时机的问题,审计功能可能无法捕获到所有被修改的字段,特别是在使用AttachOnlyPrimary模式时,这种模式只附加主键信息,可能导致审计功能无法正确识别所有变更。
解决方案
FreeSql团队在3.5.100-preview20241123版本中解决了这些问题。主要改进包括:
-
优化事件触发机制:调整了内部事件触发逻辑,确保审计事件只在适当的时机触发一次。
-
改进数据变更检测:增强了变更检测算法,确保在使用AttachOnlyPrimary时仍能正确识别所有数据变更。
-
包结构调整:建议用户迁移到FreeSql.DbContext包,该包包含了更完善的实现,而FreeSql.Repository包将不再维护。
升级建议
对于遇到此问题的用户,建议采取以下步骤:
-
升级到最新预览版本:
<PackageReference Include="FreeSql.DbContext" Version="3.5.100-preview20241124" /> <PackageReference Include="FreeSql.Provider.Sqlite" Version="3.5.100-preview20241123" /> -
移除对FreeSql.Repository的引用,完全使用FreeSql.DbContext替代。
-
重新测试审计功能,确保在AttachOnlyPrimary和UpdateAsync组合使用时审计日志记录正常。
技术细节
在底层实现上,FreeSql团队优化了实体状态管理和变更跟踪的流程。新的实现确保:
- 审计事件只在实体实际提交到数据库前触发一次
- 即使在使用AttachOnlyPrimary时,也能正确捕获所有字段变更
- 保持了高性能的同时提供了更可靠的审计功能
总结
FreeSql作为一款功能强大的ORM框架,不断优化其内部机制以提供更好的开发体验。这次对审计功能的改进解决了在实际开发中遇到的具体问题,特别是与Repository模式结合使用时的一些边界情况。开发者应及时升级到最新版本以获得这些改进,并遵循推荐的包使用方式,以获得最佳的功能支持和稳定性。
ERNIE-4.5-VL-28B-A3B-ThinkingERNIE-4.5-VL-28B-A3B-Thinking 是 ERNIE-4.5-VL-28B-A3B 架构的重大升级,通过中期大规模视觉-语言推理数据训练,显著提升了模型的表征能力和模态对齐,实现了多模态推理能力的突破性飞跃Python00
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
MiniMax-M2MiniMax-M2是MiniMaxAI开源的高效MoE模型,2300亿总参数中仅激活100亿,却在编码和智能体任务上表现卓越。它支持多文件编辑、终端操作和复杂工具链调用Python00
Spark-Prover-X1-7BSpark-Prover 是由科大讯飞团队开发的专用大型语言模型,专为 Lean4 中的自动定理证明而设计。该模型采用创新的三阶段训练策略,显著增强了形式化推理能力,在同等规模的开源模型中实现了最先进的性能。Python00
MiniCPM-V-4_5MiniCPM-V 4.5 是 MiniCPM-V 系列中最新且功能最强的模型。该模型基于 Qwen3-8B 和 SigLIP2-400M 构建,总参数量为 80 亿。与之前的 MiniCPM-V 和 MiniCPM-o 模型相比,它在性能上有显著提升,并引入了新的实用功能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
GOT-OCR-2.0-hf阶跃星辰StepFun推出的GOT-OCR-2.0-hf是一款强大的多语言OCR开源模型,支持从普通文档到复杂场景的文字识别。它能精准处理表格、图表、数学公式、几何图形甚至乐谱等特殊内容,输出结果可通过第三方工具渲染成多种格式。模型支持1024×1024高分辨率输入,具备多页批量处理、动态分块识别和交互式区域选择等创新功能,用户可通过坐标或颜色指定识别区域。基于Apache 2.0协议开源,提供Hugging Face演示和完整代码,适用于学术研究到工业应用的广泛场景,为OCR领域带来突破性解决方案。00