Ash项目中的动作调用选项全解析
2025-07-08 16:58:52作者:谭伦延
概述
在Ash框架中,通过代码接口调用动作时,开发者可以使用多种选项来定制行为。这些选项提供了强大的灵活性,但同时也带来了发现和理解上的挑战。本文将全面解析Ash资源动作调用时可用的各种选项,帮助开发者充分利用框架提供的功能。
基本动作类型与选项
Ash框架支持多种基本动作类型,每种类型都有其特定的选项集:
- 读取动作(Read):用于查询数据
- 创建动作(Create):用于新建记录
- 更新动作(Update):用于修改现有记录
- 销毁动作(Destroy):用于删除记录
- 自定义动作(Action):开发者定义的特殊操作
通用选项详解
所有动作类型都支持以下通用选项:
:api:指定要使用的Ash API模块:timeout:设置操作超时时间:tracer:用于跟踪操作的模块:verbose?:启用详细日志记录:actor:设置执行操作的当前用户:authorize?:是否执行授权检查:return_notifications?:是否返回操作产生的通知:tenant:多租户环境下的租户标识
读取动作特有选项
读取动作(read)除了通用选项外,还支持以下特殊选项:
-
:query:接受关键字列表形式的查询参数,可包含::filter:数据过滤条件:sort:结果排序规则:limit:返回结果数量限制:offset:结果偏移量:select:指定返回字段:load:预加载关联关系:distinct:去重设置
-
:page:分页相关参数 -
:count:是否返回总数统计 -
:after:分页游标(用于基于游标的分页) -
:before:分页游标(用于基于游标的分页)
变更动作选项
创建(create)、更新(update)和销毁(destroy)动作共享以下选项:
:changeset:预构建的变更集:params:原始参数(自动转换为变更集):select:指定返回字段:load:操作后预加载关联关系:return_changeset?:是否返回变更集而非结果
创建和更新动作特有选项:
:upsert?:是否执行upsert操作:upsert_identity:upsert操作使用的唯一标识
查询构建选项
当通过query参数传递选项时,可以使用Ash.Query.build/3支持的所有选项,包括:
- 复杂过滤条件构建
- 聚合计算配置
- 子查询设置
- 计算字段定义
- 高级排序规则
最佳实践建议
- 性能优化:合理使用
:select和:load选项避免过度获取数据 - 安全考虑:始终设置
:actor并启用:authorize?选项 - 调试技巧:在开发时启用
:verbose?选项查看详细执行过程 - 分页策略:根据数据量选择合适的
:page或游标分页方式 - 变更控制:利用
:return_changeset?在复杂操作中获取中间状态
总结
Ash框架提供了丰富的动作调用选项,这些选项共同构成了框架灵活性的基础。理解并合理使用这些选项,可以显著提高开发效率和应用程序性能。开发者应当根据具体场景选择合适的选项组合,并在项目文档中记录重要的选项使用决策。
登录后查看全文
热门项目推荐
相关项目推荐
GLM-5.1GLM-5.1是智谱迄今最智能的旗舰模型,也是目前全球最强的开源模型。GLM-5.1大大提高了代码能力,在完成长程任务方面提升尤为显著。和此前分钟级交互的模型不同,它能够在一次任务中独立、持续工作超过8小时,期间自主规划、执行、自我进化,最终交付完整的工程级成果。Jinja00
MiniMax-M2.7MiniMax-M2.7 是我们首个深度参与自身进化过程的模型。M2.7 具备构建复杂智能体应用框架的能力,能够借助智能体团队、复杂技能以及动态工具搜索,完成高度精细的生产力任务。Python00- QQwen3.5-397B-A17BQwen3.5 实现了重大飞跃,整合了多模态学习、架构效率、强化学习规模以及全球可访问性等方面的突破性进展,旨在为开发者和企业赋予前所未有的能力与效率。Jinja00
HY-Embodied-0.5这是一套专为现实世界具身智能打造的基础模型。该系列模型采用创新的混合Transformer(Mixture-of-Transformers, MoT) 架构,通过潜在令牌实现模态特异性计算,显著提升了细粒度感知能力。Jinja00
LongCat-AudioDiT-1BLongCat-AudioDiT 是一款基于扩散模型的文本转语音(TTS)模型,代表了当前该领域的最高水平(SOTA),它直接在波形潜空间中进行操作。00
ERNIE-ImageERNIE-Image 是由百度 ERNIE-Image 团队开发的开源文本到图像生成模型。它基于单流扩散 Transformer(DiT)构建,并配备了轻量级的提示增强器,可将用户的简短输入扩展为更丰富的结构化描述。凭借仅 80 亿的 DiT 参数,它在开源文本到图像模型中达到了最先进的性能。该模型的设计不仅追求强大的视觉质量,还注重实际生成场景中的可控性,在这些场景中,准确的内容呈现与美观同等重要。特别是,ERNIE-Image 在复杂指令遵循、文本渲染和结构化图像生成方面表现出色,使其非常适合商业海报、漫画、多格布局以及其他需要兼具视觉质量和精确控制的内容创作任务。它还支持广泛的视觉风格,包括写实摄影、设计导向图像以及更多风格化的美学输出。Jinja00
热门内容推荐
最新内容推荐
如何用自然语言掌控电脑?UI-TARS-desktop智能助手入门指南离线语音资源全攻略:高效管理与优化指南4步攻克抖音直播回放留存难题:面向内容创作者的全流程技术指南Home Assistant功能扩展实战指南:从问题诊断到价值实现的完整路径开源工具 AzurLaneLive2DExtract:3大核心优势助力碧蓝航线Live2D模型资源提取与二次创作Godot卡牌游戏框架深度探索:从理论架构到实战开发直播内容管理新维度:多场景直播归档方案全攻略OBS Advanced Timer:5个直播控时秘诀让你的直播节奏尽在掌握零基础掌握Home Assistant扩展:Docker加载项实战指南虚拟显示技术重塑数字工作空间:突破物理屏幕限制的多屏效率革命
项目优选
收起
暂无描述
Dockerfile
675
4.32 K
deepin linux kernel
C
28
16
Ascend Extension for PyTorch
Python
517
627
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++
947
886
openEuler内核是openEuler操作系统的核心,既是系统性能与稳定性的基石,也是连接处理器、设备与服务的桥梁。
C
398
302
🎉 (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
1.56 K
909
暂无简介
Dart
921
228
旨在打造算法先进、性能卓越、高效敏捷、安全可靠的密码套件,通过轻量级、可剪裁的软件技术架构满足各行业不同场景的多样化要求,让密码技术应用更简单,同时探索后量子等先进算法创新实践,构建密码前沿技术底座!
C
1.07 K
559
昇腾LLM分布式训练框架
Python
142
169
Oohos_react_native
React Native鸿蒙化仓库
C++
335
381