RSPC v0.4.0 发布:全新中间件架构与类型安全错误处理
RSPC 是一个基于 Rust 的远程过程调用(RPC)框架,专注于为现代应用程序提供类型安全、高效的通信方案。它通过自动生成类型定义和客户端代码,显著简化了前后端交互的开发流程。
重大架构升级
RSPC 0.4.0 版本带来了全新的过程定义语法和中间件架构,这是该项目两年多来最重要的更新。新版本借鉴了 tRPC v10 的设计理念,将中间件从路由器级别迁移到过程级别,大幅提升了组合性和灵活性。
全新过程定义语法
新语法采用了更明确的构建器模式:
pub fn mount() -> Router<Ctx> {
Router::new()
.procedure("login", {
<BaseProcedure>::builder()
.query(|ctx, input: LoginRequest| ...)
})
.procedure("me", {
<BaseProcedure>::builder()
.with(auth())
.query(|ctx, _: ()| ...)
})
}
这种变化使得每个过程都能独立配置自己的中间件链,开发者可以更精细地控制每个端点的行为。
中间件系统重构
新版本的中间件系统进行了全面重构,支持输入和结果类型的转换,并提供了更强大的类型安全保证:
pub fn my_middleware<TError, TCtx, TInput, TResult>() -> Middleware<TError, TCtx, TInput, TResult>
where
TError: Send + 'static,
TCtx: Send + 'static,
TInput: Send + 'static,
TResult: Send + Sync + 'static,
{
Middleware::new(
move |ctx: TCtx, input: TInput, next| async move { next.exec(ctx, input).await },
)
}
这种设计允许中间件在执行过程中修改上下文、输入参数和返回结果,为权限控制、数据转换等场景提供了极大便利。
类型安全错误处理
0.4.0 版本引入了完整的类型安全错误处理机制。开发者可以定义自己的错误类型,这些类型会被自动序列化并通过 Specta 导出到前端:
#[derive(Debug, Error, Serialize, Type)]
#[serde(tag = "type")]
pub enum Error {
#[error("Authentication failed")]
AuthError,
#[error("Database error")]
DatabaseError,
}
impl rspc::Error for Error {
fn into_procedure_error(self) -> rspc::ProcedureError {
rspc::ResolverError::new(self, None::<std::io::Error>).into()
}
}
虽然当前版本的 TypeScript 客户端还不完全支持错误类型推导,但这为未来的完整类型安全错误处理奠定了基础。
迁移策略
对于现有项目,RSPC 提供了平滑的迁移路径:
- 首先将
rspc依赖替换为rspc_legacy,保持现有路由正常工作 - 逐步将各个路由迁移到新语法
- 最终移除
rspc_legacy依赖
这种渐进式迁移策略允许团队在不中断服务的情况下完成升级。
未来展望
RSPC 团队计划在后续版本中发布一系列官方中间件,包括认证、日志、性能监控等常用功能。这些中间件目前已在仓库中积极开发,将进一步提升开发者的生产力。
新架构为 RSPC 生态系统开辟了许多可能性,包括更精细的权限控制、请求/响应转换、分布式追踪等高级功能。随着社区的不断壮大,RSPC 有望成为 Rust 生态中最强大的 RPC 解决方案之一。
对于 Rust 全栈开发者而言,RSPC 0.4.0 标志着项目成熟度的重要里程碑,值得所有关注类型安全网络通信的开发者关注和尝试。
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