Drizzle ORM 种子数据填充功能升级:支持无外键约束的关系表
Drizzle ORM 是一个现代化的 TypeScript ORM 框架,以其类型安全和简洁的 API 设计而闻名。在最新发布的 drizzle-seed 0.3.0 版本中,该框架对种子数据填充功能进行了重要升级,解决了之前版本在处理无外键约束关系表时的局限性。
问题背景
在数据库设计中,表与表之间的关系可以通过外键约束(Foreign Key)来明确定义,但有时开发者也会选择不使用外键约束,而是通过应用程序逻辑来维护表间关系。在之前的 drizzle-seed 版本中,种子数据填充功能仅支持通过外键约束定义的表关系,这给不使用外键约束的项目带来了不便。
具体表现为:当开发者尝试使用 with 语法为无外键约束的关系表填充种子数据时,系统会抛出错误提示"X表没有引用Y表,不能在Y.with对象中将X指定为参数"。
解决方案
drizzle-seed 0.3.0 版本对此进行了改进,现在可以接受 Drizzle Relations 对象并将其视为外键约束。这意味着:
- 开发者可以自由选择是否在数据库层面使用外键约束
- 无论是否使用外键,都能使用相同的种子数据填充语法
- 保持了代码的一致性和可读性
技术实现原理
新版本通过扩展种子服务的解析逻辑,使其能够识别两种类型的表关系:
- 传统的外键约束关系
- 通过 Drizzle ORM 的 Relations 配置定义的关系
在内部实现上,种子服务会优先检查表之间是否存在外键约束。如果不存在,则会检查是否配置了 Drizzle Relations。只要满足其中一种条件,就会允许使用 with 语法进行关联数据的填充。
使用示例
假设我们有两个表:用户(User)和帖子(Post),它们之间没有数据库层面的外键约束,但在 Drizzle ORM 中定义了关系:
// 定义表结构
const users = pgTable('users', {
id: serial('id').primaryKey(),
name: text('name'),
});
const posts = pgTable('posts', {
id: serial('id').primaryKey(),
title: text('title'),
authorId: integer('author_id'),
});
// 定义关系
const userRelations = relations(users, ({ many }) => ({
posts: many(posts),
}));
const postRelations = relations(posts, ({ one }) => ({
author: one(users, {
fields: [posts.authorId],
references: [users.id],
}),
}));
现在可以这样填充种子数据:
await seed(db, {
users: [
{
id: 1,
name: '张三',
with: {
posts: [
{ id: 1, title: '第一篇帖子' },
{ id: 2, title: '第二篇帖子' },
],
},
},
],
});
升级建议
对于正在使用 Drizzle ORM 的开发者,特别是那些在项目中避免使用数据库外键约束的团队,建议升级到 drizzle-seed 0.3.0 或更高版本。这将带来以下好处:
- 更灵活的数据模型设计选择
- 更一致的开发体验
- 减少因技术限制而做出的架构妥协
总结
Drizzle ORM 通过这次更新,进一步巩固了其作为现代化 ORM 解决方案的地位。这种对开发者实际需求的快速响应和改进,体现了该框架以开发者体验为核心的设计理念。对于需要高度灵活性的项目,特别是那些采用领域驱动设计(DDD)或微服务架构的项目,这一改进将显著提升开发效率。
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-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
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