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。
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-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