Drizzle ORM 中 timestamp 默认值类型的深入解析
问题背景
在使用 Drizzle ORM 进行数据库建模时,开发者经常会遇到时间戳字段的定义问题。一个典型场景是定义带有默认当前时间戳的字段,例如:
createdAt: timestamp('date').notNull().defaultNow()
开发者期望这个字段在插入时能够自动填充当前时间,因此推断插入类型时应该不需要手动提供该字段值。然而实际类型推断结果却显示该字段可能是 Date | undefined,这与预期不符。
类型系统行为分析
Drizzle ORM 的类型系统在处理默认值时有其设计逻辑:
-
默认值字段的可选性:当字段设置了默认值(如
.defaultNow()),类型系统会将该字段标记为可选的,因为在插入操作时可以不提供该值。 -
非空约束的影响:虽然字段在数据库层面有
notNull约束,但这不影响 TypeScript 类型系统中该字段在插入时的可选性。 -
类型推断的合理性:从类型系统的角度看,既然字段有默认值,那么插入时提供或不提供该值都是合法的操作,因此类型中包含
undefined是合理的。
解决方案探讨
对于开发者希望强制要求提供时间戳值的情况,有以下几种解决方案:
1. 类型覆盖方案
type Example = Omit<typeof example.$inferInsert, 'createdAt'> & {
createdAt: Date
};
这种方法明确覆盖了原始推断类型,强制要求 createdAt 字段必须提供。
2. 通用类型工具方案
可以创建一个通用的类型工具来处理这种情况:
type RequiredFields<T, K extends keyof T> = T & Required<Pick<T, K>>;
type Example = RequiredFields<typeof example.$inferInsert, 'createdAt'>;
这种方法更加灵活,可以用于任何需要强制要求某些字段的场景。
最佳实践建议
-
理解设计意图:Drizzle ORM 的类型系统设计是为了反映数据库操作的灵活性,有默认值的字段在插入时确实是可选的。
-
明确业务需求:如果业务逻辑确实要求在插入时必须显式提供时间戳,那么应该使用上述类型覆盖方案。
-
保持一致性:在整个项目中应该保持对同一字段类型处理的一致性,避免混用可选和必选的处理方式。
深入思考
这个问题实际上反映了 ORM 类型系统与业务逻辑之间的微妙关系。Drizzle ORM 的类型推断是基于数据库模式的技术层面考虑,而业务逻辑可能有额外的约束要求。开发者需要理解这种差异,并在适当的时候通过类型转换来满足业务需求。
通过这个案例,我们可以看到 TypeScript 类型系统的强大之处 - 它既能够自动推断出合理的默认类型,又提供了足够的灵活性让我们能够根据业务需求进行精确调整。
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