Ash框架中多租户身份标识的Upsert冲突处理问题解析
在Ash框架的开发过程中,我们发现了一个关于多租户身份标识在Upsert操作时的冲突处理问题。这个问题主要出现在当身份标识(identity)设置了all_tenants?: true属性时,框架生成的SQL语句中的ON CONFLICT子句仍然包含了多租户属性,导致数据库操作失败。
问题背景
在多租户应用中,Ash框架提供了强大的租户隔离支持。通常情况下,每个租户的数据是相互隔离的,框架会自动在SQL查询中加入租户标识来确保数据隔离。然而,某些特殊情况下,开发者可能需要定义一些跨租户共享的身份标识,这时就会使用all_tenants?: true属性。
问题表现
当开发者为一个身份标识设置了all_tenants?: true属性后,理论上这个标识应该在所有租户间保持唯一性。但在实际执行Upsert操作时,框架生成的SQL语句中的ON CONFLICT子句仍然包含了租户标识字段,这会导致PostgreSQL数据库抛出错误:"ERROR 42P10 (invalid_column_reference) there is no unique or exclusion constraint matching the ON CONFLICT specification"。
技术原理
在PostgreSQL中,Upsert操作是通过INSERT ... ON CONFLICT语法实现的。这个语法要求ON CONFLICT子句中指定的列必须与表上的唯一约束或主键约束完全匹配。当框架错误地在ON CONFLICT子句中包含了租户标识列,而表上并没有对应的包含租户标识的唯一约束时,数据库就会拒绝这个操作。
解决方案
正确的行为应该是:当身份标识设置了all_tenants?: true属性时,生成的ON CONFLICT子句不应该包含租户标识列。这样就能确保Upsert操作基于真正的业务唯一约束进行冲突检测,而不是基于租户隔离的约束。
影响范围
这个问题会影响所有使用以下配置组合的场景:
- 启用了多租户功能
- 定义了带有
all_tenants?: true属性的身份标识 - 对这些标识执行Upsert操作
最佳实践
开发者在设计跨租户共享的身份标识时,应该:
- 明确标识是否需要跨租户唯一
- 确保数据库表上有对应的唯一约束
- 测试Upsert操作在不同租户上下文中的行为
- 定期检查框架更新,确保使用了包含此修复的版本
这个问题已经在Ash框架的代码库中得到修复,开发者可以通过更新到最新版本来解决这个问题。
ERNIE-4.5-VL-28B-A3B-ThinkingERNIE-4.5-VL-28B-A3B-Thinking 是 ERNIE-4.5-VL-28B-A3B 架构的重大升级,通过中期大规模视觉-语言推理数据训练,显著提升了模型的表征能力和模态对齐,实现了多模态推理能力的突破性飞跃Python00
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
MiniMax-M2MiniMax-M2是MiniMaxAI开源的高效MoE模型,2300亿总参数中仅激活100亿,却在编码和智能体任务上表现卓越。它支持多文件编辑、终端操作和复杂工具链调用Python00
HunyuanVideo-1.5暂无简介00
MiniCPM-V-4_5MiniCPM-V 4.5 是 MiniCPM-V 系列中最新且功能最强的模型。该模型基于 Qwen3-8B 和 SigLIP2-400M 构建,总参数量为 80 亿。与之前的 MiniCPM-V 和 MiniCPM-o 模型相比,它在性能上有显著提升,并引入了新的实用功能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
GOT-OCR-2.0-hf阶跃星辰StepFun推出的GOT-OCR-2.0-hf是一款强大的多语言OCR开源模型,支持从普通文档到复杂场景的文字识别。它能精准处理表格、图表、数学公式、几何图形甚至乐谱等特殊内容,输出结果可通过第三方工具渲染成多种格式。模型支持1024×1024高分辨率输入,具备多页批量处理、动态分块识别和交互式区域选择等创新功能,用户可通过坐标或颜色指定识别区域。基于Apache 2.0协议开源,提供Hugging Face演示和完整代码,适用于学术研究到工业应用的广泛场景,为OCR领域带来突破性解决方案。00