Audit.NET 中 AuditIdentityDbContext 新增 SaveChangesGetAuditAsync 方法解析
在最新发布的 Audit.NET 27.1.0 版本中,开发团队为 AuditIdentityDbContext 类新增了 SaveChangesGetAuditAsync 方法,这一改进解决了之前版本中 AuditIdentityDbContext 与 AuditDbContext 功能不一致的问题。
背景介绍
Audit.NET 是一个强大的审计日志框架,特别适用于 Entity Framework Core 应用程序。它能够自动跟踪和记录数据变更,为系统提供完整的审计追踪能力。在需要集成 ASP.NET Core Identity 的项目中,开发者通常会使用 AuditIdentityDbContext 作为数据上下文基类。
问题发现
在之前的版本中,开发者发现 AuditIdentityDbContext 缺少了 AuditDbContext 中提供的 SaveChangesGetAuditAsync 方法。这个方法非常重要,它允许开发者在保存更改的同时获取审计事件对象,为后续处理提供了极大便利。
解决方案
开发团队在 27.1.0 版本中修复了这一功能缺失问题。现在,AuditIdentityDbContext 已经完整包含了 SaveChangesGetAuditAsync 方法,其功能与 AuditDbContext 中的实现完全一致。
方法功能
SaveChangesGetAuditAsync 方法提供了以下核心功能:
- 异步保存所有挂起的更改到数据库
- 返回包含完整审计信息的 AuditEvent 对象
- 支持取消令牌,符合现代异步编程模式
升级建议
对于正在使用 Audit.NET 进行审计日志记录的项目,特别是那些集成了 ASP.NET Core Identity 的系统,建议尽快升级到 27.1.0 或更高版本。这一改进使得开发者在使用 Identity 相关功能时,依然能够方便地获取审计事件对象,保持代码的一致性和可维护性。
实际应用场景
在实际开发中,获取审计事件对象可以用于多种场景:
- 自定义日志处理逻辑
- 实时通知系统
- 复杂业务规则的审计验证
- 与其他系统的审计数据集成
总结
Audit.NET 27.1.0 版本的这一改进,体现了框架对开发者实际需求的快速响应能力。通过保持不同上下文类之间功能的一致性,大大提升了框架的易用性和完整性。对于需要进行精细审计控制的 Identity 项目,这无疑是一个值得欢迎的改进。
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-1.5HunyuanVideo-1.5作为一款轻量级视频生成模型,仅需83亿参数即可提供顶级画质,大幅降低使用门槛。该模型在消费级显卡上运行流畅,让每位开发者和创作者都能轻松使用。本代码库提供生成创意视频所需的实现方案与工具集。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