TanStack DB Collections 0.0.8版本发布:更简洁的变更处理API
TanStack DB是一个现代化的前端数据管理解决方案,它提供了声明式的方式来处理应用状态和数据持久化。作为其核心组件之一,DB Collections模块专注于集合数据的操作和管理。在最新的0.0.8版本中,该模块引入了一套更加直观和简洁的变更处理API,显著简化了数据变更的流程。
新版本的核心改进
本次更新的核心在于重新设计了数据变更处理机制。开发者现在可以直接在集合配置中定义onInsert、onUpdate和onDelete处理器,而不必再依赖复杂的useOptimisticMutation钩子来处理简单的数据变更。
这种改进使得代码更加声明式和直观。当调用collection.insert()、.update()或.delete()方法时,如果这些操作不是在显式的事务中执行(即不在useOptimisticMutation回调内),库会自动创建一个单操作事务并调用相应的处理器来持久化变更。
主要变更点解析
-
直接处理器支持:现在可以在集合配置中直接定义变更处理器,这些处理器会在对应操作发生时自动触发。例如,定义一个
onInsert处理器后,调用collection.insert()就会自动触发这个处理器。 -
自动事务管理:对于简单的单操作变更,不再需要手动创建事务。库会自动处理事务的创建和管理,大大简化了代码。
-
查询自动刷新:在
queryCollectionOptions中使用这些处理器时,集合查询会在处理器成功完成后自动刷新。这一行为可以通过处理器返回{ refetch: false }来禁用。 -
Electric集合的特殊处理:对于Electric集合,处理器现在需要返回一个包含事务ID的对象(
{ txid: string })。集合会自动等待这个事务ID同步完成后再解析变更,确保数据一致性。 -
错误处理改进:如果没有配置相应的持久化处理器,直接调用变更方法将会抛出错误,这有助于开发者更早地发现问题。
迁移建议和注意事项
对于现有项目,需要注意这是一个破坏性变更。之前直接调用变更方法而不处理持久化的代码现在会抛出错误。迁移时,开发者需要:
- 检查所有直接调用
insert、update或delete的地方 - 为这些操作添加相应的处理器
- 对于简单场景,可以直接在集合配置中添加处理器
- 对于复杂场景(如跨集合事务),仍然可以使用
useOptimisticMutation
实际应用示例
假设我们有一个待办事项应用,更新后的代码会更加简洁:
const todosCollection = createCollection({
name: 'todos',
schema: todoSchema,
onInsert: async (newTodo) => {
// 持久化逻辑
return { txid: '...' }; // Electric集合需要返回txid
},
onUpdate: async (updatedTodo) => {
// 更新逻辑
return { refetch: true }; // 控制是否自动刷新查询
},
onDelete: async (deletedTodo) => {
// 删除逻辑
return { txid: '...' };
}
});
// 使用示例
function addTodo() {
todosCollection.insert({
id: '1',
text: 'Learn TanStack DB',
completed: false
});
}
总结
TanStack DB Collections 0.0.8版本的这一改进,使得数据变更处理变得更加直观和简洁。通过直接在集合配置中定义变更处理器,开发者可以减少样板代码,更专注于业务逻辑。同时,自动的事务管理和查询刷新机制进一步简化了开发流程。虽然这是一个破坏性变更,但它带来的代码清晰度和开发效率提升是值得的。
对于新项目,建议直接采用这种新模式;对于现有项目,可以逐步迁移,先处理简单的变更场景,再处理复杂的跨集合事务。这一改进标志着TanStack DB在提供更优雅、更声明式的数据管理解决方案上又迈出了重要一步。
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
unified-cache-managementUnified Cache Manager(推理记忆数据管理器),是一款以KV Cache为中心的推理加速套件,其融合了多类型缓存加速算法工具,分级管理并持久化推理过程中产生的KV Cache记忆数据,扩大推理上下文窗口,以实现高吞吐、低时延的推理体验,降低每Token推理成本。Python03
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
Spark-Prover-7BSpark-Prover-7B is a 7B-parameter large language model developed by iFLYTEK for automated theorem proving in Lean4. It generates complete formal proofs for mathematical theorems using a three-stage training framework combining pre-training, supervised fine-tuning, and reinforcement learning. The model achieves strong formal reasoning performance and state-of-the-art results across multiple theorem-proving benchmarksPython00
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-7B is a 7B-parameter large language model by iFLYTEK for mathematical auto-formalization. It translates natural-language math problems into precise Lean4 formal statements, achieving high accuracy and logical consistency. The model is trained with a two-stage strategy combining large-scale pre-training and supervised fine-tuning for robust formal reasoning.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- HHowToCook程序员在家做饭方法指南。Programmer's guide about how to cook at home (Chinese only).Dockerfile014
Spark-Scilit-X1-13B科大讯飞Spark Scilit-X1-13B基于最新一代科大讯飞基础模型,并针对源自科学文献的多项核心任务进行了训练。作为一款专为学术研究场景打造的大型语言模型,它在论文辅助阅读、学术翻译、英语润色和评论生成等方面均表现出色,旨在为研究人员、教师和学生提供高效、精准的智能辅助。Python00- PpathwayPathway is an open framework for high-throughput and low-latency real-time data processing.Python00