Laravel-Backpack中FetchOperation对非数据库字段属性的支持优化
问题背景
在使用Laravel-Backpack的CRUD功能时,开发人员经常会遇到需要展示模型关联数据的情况。系统提供了FetchOperation这一便捷功能,允许通过AJAX方式动态加载关联数据。然而,在实际应用中,我们发现FetchOperation存在一个明显的局限性:它无法直接处理模型中的非数据库字段属性(即通过模型访问器定义的属性)。
问题分析
在标准实现中,FetchOperation主要依赖数据库字段进行数据查询和展示。当开发人员尝试使用模型中的访问器属性(如extra_attribute_on_the_model)时,系统会尝试直接查询数据库字段,导致无法获取预期的数据。这是因为:
- FetchOperation内部使用
pluck方法直接从数据库获取数据 - 模型访问器属性不会自动包含在查询结果中
- 传统的解决方案是使用
$appends属性,但这会带来额外的数据库查询开销
解决方案演进
初始解决方案
开发团队首先在FetchOperation中引入了append_attributes配置选项。通过在fetch配置中指定需要附加的属性,系统会在查询完成后将这些属性映射到结果集合中:
CRUD::field('rel_id')
->label('Rel field')
->type('relationship')
->entity('relTest')
->ajax(true)
->fetch([
'append_attributes' => ['extra_attribute_on_the_model']
]);
这一改进使得开发人员能够在不修改模型$appends属性的情况下,展示计算属性或组合字段。
进阶优化:支持复杂搜索
随着使用的深入,开发人员提出了更复杂的需求:希望能够基于这些附加属性进行搜索。例如,当产品代码由类型代码和产品编号组合而成(如"ABC-PROD01")时,用户希望能够搜索完整的组合代码。
为解决这一问题,团队进一步增强了searchable_attributes的功能,使其支持原始SQL表达式:
'searchable_attributes' => [
'products.name',
DB::raw("concat(producttypes.code,'-',products.code)")
]
系统内部会智能识别这些原始表达式,并正确处理搜索逻辑,同时避免了因尝试获取不存在的列类型而导致的错误。
实现原理
-
属性附加机制:当配置了
append_attributes时,系统会在获取查询结果后,通过映射方式将指定属性添加到返回集合中。 -
原始表达式处理:对于搜索属性中的原始SQL表达式,系统会:
- 跳过列类型检测
- 直接将其视为字符串类型处理
- 确保表达式正确应用于查询条件
-
查询优化:整个实现保持了原有的查询效率,避免了不必要的数据库连接和计算。
最佳实践
- 对于简单的附加属性展示,优先使用
append_attributes配置 - 当需要基于组合字段搜索时,可以使用原始SQL表达式
- 复杂的计算属性建议在模型访问器中预先定义
- 对于性能敏感的场景,考虑在数据库中创建计算列或视图
总结
Laravel-Backpack对FetchOperation的这两项改进,显著增强了其在复杂业务场景下的适用性。通过支持非数据库字段属性的展示和搜索,开发人员现在能够更灵活地构建数据关联界面,同时保持系统的性能和可维护性。这些改进体现了框架对实际开发需求的快速响应能力,也展示了其持续演进的设计理念。
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