Marten项目中的查询规范模式实现探索
背景介绍
Marten是一个.NET平台上的PostgreSQL文档数据库和事件存储库,它提供了强大的LINQ支持和高效的查询能力。在实际开发中,我们经常需要处理复杂的查询逻辑,特别是当这些查询需要在多个地方重复使用时。
查询规范模式简介
查询规范(Specification)模式是一种设计模式,它允许开发者将查询条件封装为独立的对象,从而实现查询逻辑的复用和组合。这种模式特别适合在领域驱动设计(DDD)中使用,可以避免创建臃肿的仓储接口。
Marten中的现有解决方案
Marten目前主要通过"编译查询"(compiled query)特性来实现类似规范模式的功能。编译查询是Marten的一项强大功能,它允许开发者预编译LINQ查询以提高性能,同时也能实现查询逻辑的复用。
然而,编译查询在某些复杂场景下存在局限性,比如当查询逻辑涉及非常规操作时可能无法使用。这促使Marten团队考虑提供一种更灵活的规范模式实现方式。
新的规范模式实现方案
Marten计划引入一个新的接口IQueryPlan<T>,它定义了一个标准的查询规范契约:
public interface IQueryPlan<T>
{
Task<T> Fetch(IQuerySession session, CancellationToken cancellationToken);
}
这个接口的核心思想是将查询逻辑封装为一个独立的、可重用的组件。开发者可以实现这个接口来创建各种查询规范,然后在不同的地方复用这些规范。
为了更方便地使用这些查询规范,Marten还计划在QuerySession类中添加一个扩展方法:
public class QuerySession
{
public Task<T> QueryAsync<T>(this IDocumentSession session, IQueryPlan<T> plan, CancellationToken cancellationToken)
{
return plan.Fetch(session, cancellationToken);
}
}
设计优势
-
灵活性:这种实现方式比编译查询更灵活,可以处理更复杂的查询场景。
-
可复用性:查询逻辑被封装为独立的对象,可以在应用程序的不同部分重用。
-
组合性:多个查询规范可以组合使用,构建更复杂的查询逻辑。
-
测试友好:查询规范可以单独测试,提高了代码的可测试性。
-
批查询支持:设计时考虑了与Marten批查询功能的兼容性。
实际应用示例
假设我们有一个电商系统,需要频繁查询特定状态的订单。我们可以创建一个查询规范:
public class ActiveOrdersQuery : IQueryPlan<IEnumerable<Order>>
{
private readonly DateTime _since;
public ActiveOrdersQuery(DateTime since)
{
_since = since;
}
public async Task<IEnumerable<Order>> Fetch(IQuerySession session, CancellationToken cancellationToken)
{
return await session.Query<Order>()
.Where(x => x.Status == OrderStatus.Active && x.CreatedAt >= _since)
.ToListAsync(cancellationToken);
}
}
然后在整个应用程序中复用这个查询逻辑:
var activeOrders = await session.QueryAsync(new ActiveOrdersQuery(DateTime.UtcNow.AddDays(-7)));
总结
Marten的这一新特性为开发者提供了更灵活的查询规范实现方式,既保持了Marten强大的查询能力,又解决了编译查询在某些场景下的局限性。这种设计既遵循了领域驱动设计的原则,又避免了过度抽象带来的复杂性,是处理复杂查询逻辑的理想选择。
对于已经使用Marten的项目,这一特性将显著提高查询逻辑的可维护性和复用性,特别是在需要处理复杂业务规则的场景中。
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