Ash框架中运行时加载与预加载的优先级问题解析
2025-07-08 07:22:21作者:傅爽业Veleda
背景介绍
在Elixir生态系统中,Ash框架作为一个强大的资源定义和管理工具,提供了灵活的数据加载机制。其中prepare build(load: ...)和Ash.load/2是两种常见的加载方式,分别用于编译时预定义加载和运行时动态加载。本文将深入分析这两种加载方式的交互行为及其优先级问题。
问题现象
在Ash框架使用过程中,开发者可能会遇到以下场景:
- 在资源定义中使用
prepare预定义计算字段的加载 - 在运行时通过
Ash.load/2动态加载相同字段但传入不同参数
# 资源定义
defmodule Post do
preparations do
prepare build(load: [:sum])
end
calculations do
calculate :sum, :integer do
argument :a, :integer, default: 1
argument :b, :integer, default: 2
calculation expr(^arg(:a) + ^arg(:b))
end
end
end
# 运行时调用
post = Ash.load!(post, sum: [a: 3, b: 4])
按照直觉,开发者可能期望运行时传入的参数会覆盖预定义的默认参数,但实际行为可能不符合预期。
技术原理
Ash框架的加载机制遵循以下核心原则:
- 编译时预加载:通过
prepare build(load: ...)定义的加载会在资源创建时执行 - 运行时加载:
Ash.load/2提供了按需加载的能力 - 优先级规则:运行时加载应优先于编译时预加载
这种设计确保了开发者可以在运行时灵活覆盖预定义的加载行为,提供了更大的灵活性。
解决方案
框架维护者通过以下方式解决了这个问题:
- 合并策略:使用
Keyword.merge/2将运行时加载合并到编译时加载中 - 参数覆盖:确保运行时提供的参数能够正确覆盖预定义的默认参数
- 行为一致性:保持
Ash.load/2与Ash.Query.load行为的一致性
最佳实践
基于此问题的分析,建议开发者:
- 合理使用预加载:对于计算量小、频繁使用的字段适合使用预加载
- 明确加载意图:在性能敏感场景明确指定需要加载的字段
- 避免全局关系加载:特别要避免在全局prepare中加载大型关系数据
- 参数验证:对于计算字段,确保参数传递符合预期
性能考量
开发者需要注意:
- N+1问题:不当的全局加载可能导致性能问题
- 加载粒度:细粒度的加载控制有助于优化性能
- 计算复杂度:简单计算适合预加载,复杂计算应考虑延迟加载
总结
Ash框架通过合理的加载优先级设计,既保持了使用灵活性,又确保了行为可预测性。开发者理解这一机制后,可以更高效地利用框架特性,构建性能优异的应用。记住框架设计哲学:"提供任何可能性,但不强制任何特定方式",这有助于我们在使用框架时做出更明智的设计决策。
登录后查看全文
热门项目推荐
相关项目推荐
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
最新内容推荐
Python开发者的macOS终极指南:VSCode安装配置全攻略 Launch4j中文版:Java应用程序打包成EXE的终极解决方案 Python案例资源下载 - 从入门到精通的完整项目代码合集 TortoiseSVN 1.14.5.29465 中文版:高效版本控制的终极解决方案 MQTT客户端软件源代码:物联网开发的强大工具与最佳实践指南 TextAnimator for Unity:打造专业级文字动画效果的终极解决方案 QT连接阿里云MySQL数据库完整指南:从环境配置到问题解决 IEC61850建模工具及示例资源:智能电网自动化配置的完整指南 STM32到GD32项目移植完全指南:从兼容性到实战技巧 XMODEM协议C语言实现:嵌入式系统串口文件传输的经典解决方案
项目优选
收起
deepin linux kernel
C
25
9
OpenHarmony documentation | OpenHarmony开发者文档
Dockerfile
415
3.19 K
Nop Platform 2.0是基于可逆计算理论实现的采用面向语言编程范式的新一代低代码开发平台,包含基于全新原理从零开始研发的GraphQL引擎、ORM引擎、工作流引擎、报表引擎、规则引擎、批处理引引擎等完整设计。nop-entropy是它的后端部分,采用java语言实现,可选择集成Spring框架或者Quarkus框架。中小企业可以免费商用
Java
9
1
暂无简介
Dart
680
160
🔥LeetCode solutions in any programming language | 多种编程语言实现 LeetCode、《剑指 Offer(第 2 版)》、《程序员面试金典(第 6 版)》题解
Java
65
19
Ascend Extension for PyTorch
Python
229
259
本项目是CANN提供的数学类基础计算算子库,实现网络在NPU上加速计算。
C++
689
327
React Native鸿蒙化仓库
JavaScript
265
326
喝着茶写代码!最易用的自托管一站式代码托管平台,包含Git托管,代码审查,团队协作,软件包和CI/CD。
Go
23
0
🎉 (RuoYi)官方仓库 基于SpringBoot,Spring Security,JWT,Vue3 & Vite、Element Plus 的前后端分离权限管理系统
Vue
1.21 K
660