TSED依赖注入中异步工厂函数返回Promise问题的分析与解决
2025-06-27 22:23:31作者:宣利权Counsellor
问题背景
在使用TSED框架的依赖注入系统时,开发者遇到了一个关于异步工厂函数返回值的类型问题。具体场景是在使用TypeORM适配器时,当通过@Inject()装饰器注入DataSource实例时,第二次调用时注入的值变成了Promise对象而非预期的DataSource实例。
问题复现
开发者提供了一个测试用例来重现这个问题:
- 定义了一个Test类和一个符号TokenAsync
- 使用registerProvider注册了一个异步工厂提供者,该工厂返回一个Promise解析后的Test实例
- 创建了两个Injectable类Parent1和Parent2,都注入了TokenAsync标识的服务
- 通过InjectorService分别调用这两个类时,发现注入的test属性变成了Promise
问题分析
经过深入分析,发现问题出在测试用例的执行方式上。在TSED框架中,异步提供者的正确使用方式需要先调用InjectorService的load方法,该方法会负责解析所有异步提供者。而原始测试用例中直接调用了invoke方法,跳过了这一关键步骤。
解决方案
正确的测试用例应该修改为:
const injector = new InjectorService();
await injector.load(); // 关键步骤:先加载并解析所有异步提供者
const parent1 = await injector.invoke<Parent1>(Parent1);
const parent2 = await injector.invoke<Parent2>(Parent2);
expect(parent1.test).toBeInstanceOf(Test);
expect(parent2.test).toBeInstanceOf(Test);
在实际的TSED应用中,PlatformTest.create()和PlatformExpress.bootstrap()方法内部都会自动调用load方法,因此生产环境中不会出现这个问题。只有在单元测试这种特殊场景下,如果直接使用InjectorService而不调用load方法,才会遇到这个问题。
最佳实践
对于使用异步工厂函数的依赖注入场景,开发者应该注意:
- 确保在使用InjectorService前调用load方法
- 在生产环境中,推荐使用PlatformTest或PlatformExpress等高级API,它们会自动处理异步提供者的加载
- 在单元测试中,如果直接使用InjectorService,必须手动调用load方法
总结
这个问题展示了TSED框架中异步依赖注入的一个重要细节。理解框架内部如何处理异步提供者对于编写正确的测试用例至关重要。通过这个案例,我们学习到了在直接使用底层InjectorService时需要特别注意的加载顺序问题,这有助于我们在实际开发中避免类似的陷阱。
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
Python开发者的macOS终极指南:VSCode安装配置全攻略 Launch4j中文版:Java应用程序打包成EXE的终极解决方案 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 MQTT客户端软件源代码:物联网开发的强大工具与最佳实践指南 TextAnimator for Unity:打造专业级文字动画效果的终极解决方案 QT连接阿里云MySQL数据库完整指南:从环境配置到问题解决 IEC61850建模工具及示例资源:智能电网自动化配置的完整指南 STM32到GD32项目移植完全指南:从兼容性到实战技巧 XMODEM协议C语言实现:嵌入式系统串口文件传输的经典解决方案
项目优选
收起
deepin linux kernel
C
24
9
OpenHarmony documentation | OpenHarmony开发者文档
Dockerfile
414
3.18 K
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
Ascend Extension for PyTorch
Python
228
258
暂无简介
Dart
679
160
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++
689
325
🔥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
65
19
React Native鸿蒙化仓库
JavaScript
265
326
🎉 (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
1.21 K
660
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
1.03 K
492