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。
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