FluentValidation 中扩展 WithState 方法支持访问 ValidationContext
2025-05-25 19:18:17作者:滕妙奇
在 FluentValidation 这个流行的.NET验证库中,开发者们经常需要自定义验证错误消息的状态信息。最近社区提出了一个关于扩展 WithState 方法的有价值建议,使其能够访问完整的 ValidationContext 对象。
现有功能分析
FluentValidation 目前提供的 WithState 方法允许开发者为验证规则添加自定义状态信息。这个方法有两个主要重载:
- 接收一个静态对象
- 接收一个接收模型实例和属性值的委托
然而,在某些高级场景中,开发者需要访问完整的 ValidationContext 对象来获取更多上下文信息。例如,当使用自定义的 ValidationContext 子类时,可能需要访问其中定义的特殊属性。
技术实现方案
社区贡献者 ChThy 提出了一个优雅的解决方案:为 WithState 方法添加一个新的重载,接收一个包含 ValidationContext 参数的委托。这个实现非常简洁:
public static IRuleBuilderOptions<T, TProperty> WithState<T, TProperty>(
this IRuleBuilderOptions<T, TProperty> rule,
Func<T, TProperty, ValidationContext<T>, object> stateProvider)
{
stateProvider.Guard("A lambda expression must be passed to WithState", nameof(stateProvider));
var wrapper = new Func<ValidationContext<T>, TProperty, object>((ctx, val) => {
return stateProvider(ctx.InstanceToValidate, val, ctx);
});
Configurable(rule).Current.CustomStateProvider = wrapper;
return rule;
}
这个实现保持了 FluentValidation 一贯的流畅接口设计风格,同时扩展了功能边界。
应用场景
这个增强功能特别适用于以下场景:
- 当验证逻辑需要访问 ValidationContext 中的自定义属性时
- 需要基于验证上下文动态生成状态信息的复杂业务规则
- 实现上下文感知的自定义验证逻辑
技术价值
这个改进虽然看似简单,但实际上为 FluentValidation 带来了更强大的灵活性。它使得:
- 验证逻辑可以获取更丰富的上下文信息
- 开发者可以创建更智能、上下文感知的验证规则
- 自定义验证状态可以基于更全面的信息来构建
总结
这个对 WithState 方法的扩展是 FluentValidation 功能演进的一个自然步骤,它填补了现有API的一个小空白,为高级使用场景提供了更好的支持。这种类型的渐进式改进正是使 FluentValidation 保持其作为.NET生态系统中首选验证库地位的原因之一。
该改进已经通过社区贡献的方式实现,并将在未来的版本中提供给所有用户,展示了开源社区协作的力量。
登录后查看全文
热门项目推荐
相关项目推荐
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
最新内容推荐
MQTT 3.1.1协议中文版文档:物联网开发者的必备技术指南 Solidcam后处理文件下载与使用完全指南:提升CNC编程效率的必备资源 Python案例资源下载 - 从入门到精通的完整项目代码合集 TortoiseSVN 1.14.5.29465 中文版:高效版本控制的终极解决方案 CrystalIndex资源文件管理系统:高效索引与文件管理的最佳实践指南 QT连接阿里云MySQL数据库完整指南:从环境配置到问题解决 Windows Server 2016 .NET Framework 3.5 SXS文件下载与安装完整指南 Python开发者的macOS终极指南:VSCode安装配置全攻略 瀚高迁移工具migration-4.1.4:企业级数据库迁移的智能解决方案 STM32到GD32项目移植完全指南:从兼容性到实战技巧
项目优选
收起
deepin linux kernel
C
24
9
Ascend Extension for PyTorch
Python
223
246
暂无简介
Dart
672
157
本项目是CANN提供的数学类基础计算算子库,实现网络在NPU上加速计算。
C++
663
313
React Native鸿蒙化仓库
JavaScript
262
324
Nop Platform 2.0是基于可逆计算理论实现的采用面向语言编程范式的新一代低代码开发平台,包含基于全新原理从零开始研发的GraphQL引擎、ORM引擎、工作流引擎、报表引擎、规则引擎、批处理引引擎等完整设计。nop-entropy是它的后端部分,采用java语言实现,可选择集成Spring框架或者Quarkus框架。中小企业可以免费商用
Java
9
1
🎉 (RuoYi)官方仓库 基于SpringBoot,Spring Security,JWT,Vue3 & Vite、Element Plus 的前后端分离权限管理系统
Vue
1.2 K
655
🔥LeetCode solutions in any programming language | 多种编程语言实现 LeetCode、《剑指 Offer(第 2 版)》、《程序员面试金典(第 6 版)》题解
Java
64
19
openGauss kernel ~ openGauss is an open source relational database management system
C++
160
218
TorchAir 支持用户基于PyTorch框架和torch_npu插件在昇腾NPU上使用图模式进行推理。
Python
330
137