Mapperly项目中的并发修改异常问题分析与解决方案
问题背景
在Mapperly这个强大的.NET对象映射库中,开发者报告了一个在Visual Studio环境下特有的编译时异常。当使用Mapperly进行简单的DTO与模型之间的映射时,VS会抛出"Collection was modified; enumeration operation may not execute"的异常,导致生成的映射代码无法被正确编译。
问题现象
开发者在使用Mapperly进行基础的对象映射时,Visual Studio会显示以下警告信息:
警告 CS8785 Generator 'MapperGenerator' failed to generate source. It will not contribute to the output and compilation errors may occur as a result. Exception was of type 'InvalidOperationException' with message 'Collection was modified; enumeration operation may not execute.'
有趣的是,这个问题仅在Visual Studio中出现,而在Rider IDE或命令行构建中却能正常工作。生成的代码本身是正确的,但由于VS中的生成过程失败,导致这些代码无法被包含在最终构建中。
技术分析
通过深入分析问题堆栈和代码执行流程,我们发现问题的根源在于:
-
集合修改与枚举的并发问题:在
ObjectMemberMappingBodyBuilder.BuildMappingBody方法中,代码在枚举_unmappedTargetMemberNames集合的同时,又对该集合进行了修改(移除了已处理的成员)。 -
VS特有的行为:Visual Studio的增量编译和代码生成机制可能导致对生成器的调用方式与其他环境不同,从而触发了这个并发修改问题。
-
HashSet枚举的敏感性:底层使用的是
HashSet<T>.Enumerator,它对并发修改特别敏感,一旦检测到集合被修改就会立即抛出异常。
解决方案
针对这个问题,Mapperly团队提出了以下修复方案:
-
避免在枚举时修改集合:将需要处理的成员名称先复制到一个临时集合中,然后对这个副本进行枚举,这样即使原始集合被修改也不会影响枚举过程。
-
防御性编程:在处理集合时采用更安全的方式,确保不会在枚举过程中修改被枚举的集合。
经验总结
这个案例给我们带来了几个重要的启示:
-
IDE差异:不同的开发环境可能对代码生成器有不同的调用方式,开发者需要考虑各种环境下的兼容性。
-
集合操作安全:在操作集合时,特别是在复杂的代码生成场景中,需要特别注意枚举过程中的集合修改问题。
-
测试覆盖:除了常规的单元测试外,还应该在不同开发环境下进行测试,确保代码生成器在各种场景下都能正常工作。
结论
Mapperly团队通过分析问题根源并实施修复方案,成功解决了这个Visual Studio特有的代码生成问题。这个案例展示了开源社区如何协作解决复杂的技术问题,也提醒我们在开发工具和库时要考虑各种使用环境的差异。对于开发者来说,当遇到类似问题时,可以尝试在不同环境下构建项目,这有助于快速定位问题是出在代码本身还是特定环境的交互方式上。
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
unified-cache-managementUnified Cache Manager(推理记忆数据管理器),是一款以KV Cache为中心的推理加速套件,其融合了多类型缓存加速算法工具,分级管理并持久化推理过程中产生的KV Cache记忆数据,扩大推理上下文窗口,以实现高吞吐、低时延的推理体验,降低每Token推理成本。Python03
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
Spark-Prover-X1-7BSpark-Prover-X1-7B is a 7B-parameter large language model developed by iFLYTEK for automated theorem proving in Lean4. It generates complete formal proofs for mathematical theorems using a three-stage training framework combining pre-training, supervised fine-tuning, and reinforcement learning. The model achieves strong formal reasoning performance and state-of-the-art results across multiple theorem-proving benchmarksPython00
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-X1-7B is a 7B-parameter large language model by iFLYTEK for mathematical auto-formalization. It translates natural-language math problems into precise Lean4 formal statements, achieving high accuracy and logical consistency. The model is trained with a two-stage strategy combining large-scale pre-training and supervised fine-tuning for robust formal reasoning.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- HHowToCook程序员在家做饭方法指南。Programmer's guide about how to cook at home (Chinese only).Dockerfile015
Spark-Scilit-X1-13B科大讯飞Spark Scilit-X1-13B基于最新一代科大讯飞基础模型,并针对源自科学文献的多项核心任务进行了训练。作为一款专为学术研究场景打造的大型语言模型,它在论文辅助阅读、学术翻译、英语润色和评论生成等方面均表现出色,旨在为研究人员、教师和学生提供高效、精准的智能辅助。Python00- PpathwayPathway is an open framework for high-throughput and low-latency real-time data processing.Python00