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。
Kimi-K2.5Kimi K2.5 是一款开源的原生多模态智能体模型,它在 Kimi-K2-Base 的基础上,通过对约 15 万亿混合视觉和文本 tokens 进行持续预训练构建而成。该模型将视觉与语言理解、高级智能体能力、即时模式与思考模式,以及对话式与智能体范式无缝融合。Python00- QQwen3-Coder-Next2026年2月4日,正式发布的Qwen3-Coder-Next,一款专为编码智能体和本地开发场景设计的开源语言模型。Python00
xw-cli实现国产算力大模型零门槛部署,一键跑通 Qwen、GLM-4.7、Minimax-2.1、DeepSeek-OCR 等模型Go06
PaddleOCR-VL-1.5PaddleOCR-VL-1.5 是 PaddleOCR-VL 的新一代进阶模型,在 OmniDocBench v1.5 上实现了 94.5% 的全新 state-of-the-art 准确率。 为了严格评估模型在真实物理畸变下的鲁棒性——包括扫描伪影、倾斜、扭曲、屏幕拍摄和光照变化——我们提出了 Real5-OmniDocBench 基准测试集。实验结果表明,该增强模型在新构建的基准测试集上达到了 SOTA 性能。此外,我们通过整合印章识别和文本检测识别(text spotting)任务扩展了模型的能力,同时保持 0.9B 的超紧凑 VLM 规模,具备高效率特性。Python00
KuiklyUI基于KMP技术的高性能、全平台开发框架,具备统一代码库、极致易用性和动态灵活性。 Provide a high-performance, full-platform development framework with unified codebase, ultimate ease of use, and dynamic flexibility. 注意:本仓库为Github仓库镜像,PR或Issue请移步至Github发起,感谢支持!Kotlin08
VLOOKVLOOK™ 是优雅好用的 Typora/Markdown 主题包和增强插件。 VLOOK™ is an elegant and practical THEME PACKAGE × ENHANCEMENT PLUGIN for Typora/Markdown.Less00