NSwag项目中的IHostedService清理问题解析
在NSwag工具的使用过程中,开发者遇到了一个与依赖注入容器中IHostedService清理相关的问题。这个问题特别影响了与Umbraco CMS集成的场景,导致无法正常生成TypeScript服务和模型。
问题背景
NSwag是一个用于生成TypeScript/JavaScript客户端代码、OpenAPI/Swagger规范以及.NET客户端代码的工具。在最新版本中,NSwag在处理ASP.NET Core应用程序时,会对依赖注入容器中的IHostedService注册进行清理操作。这个设计初衷是为了防止后台服务在代码生成过程中意外启动。
问题根源
清理操作的实现方式存在问题。当前代码使用IsAssignableFrom方法来识别所有IHostedService及其派生接口的注册,这会导致过度清理。具体来说,当某个服务接口(如Umbraco中的IRuntime)继承自IHostedService时,即使它仅以自身接口类型(IRuntime)注册,也会被错误地移除。
技术细节
在Umbraco CMS中,IRuntime接口继承自IHostedService,但它的注册方式是:
services.AddSingleton<IRuntime, Runtime>();
而非直接注册为IHostedService。然而,当前的清理逻辑会匹配所有可赋值给IHostedService的类型,导致这些必要的服务被意外移除。
解决方案
正确的做法应该是仅移除直接注册为IHostedService类型的服务,而不是所有可赋值给IHostedService的类型。即将条件判断从:
if(typeof(IHostedService).IsAssignableFrom(services[i].ServiceType))
修改为:
if(services[i].ServiceType == typeof(IHostedService))
影响范围
这个问题不仅影响Umbraco CMS,任何框架或库中如果有服务间接实现IHostedService接口但直接以自身接口类型注册的情况,都会受到相同的影响。这种过度清理会导致依赖注入容器中缺少必要的服务,进而引发各种运行时错误。
最佳实践建议
对于工具开发者来说,在进行依赖注入容器操作时应当:
- 精确匹配服务类型,避免使用过于宽泛的类型判断
- 考虑提供配置选项,允许用户自定义哪些服务需要保留
- 在清理操作前记录将被移除的服务,便于调试
对于NSwag用户来说,如果遇到类似问题,可以:
- 检查项目中是否有间接实现IHostedService的关键服务
- 考虑暂时降级NSwag版本
- 等待官方修复并升级到包含修复的版本
这个问题提醒我们在处理依赖注入容器时需要格外小心,特别是在工具类库中,因为任何修改都可能影响用户应用程序的核心功能。
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