Ash框架中运行时加载与预加载的优先级问题解析
2025-07-08 02:10:21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
GLM-5智谱 AI 正式发布 GLM-5,旨在应对复杂系统工程和长时域智能体任务。Jinja00
GLM-5-w4a8GLM-5-w4a8基于混合专家架构,专为复杂系统工程与长周期智能体任务设计。支持单/多节点部署,适配Atlas 800T A3,采用w4a8量化技术,结合vLLM推理优化,高效平衡性能与精度,助力智能应用开发Jinja00- QQwen3.5-397B-A17BQwen3.5 实现了重大飞跃,整合了多模态学习、架构效率、强化学习规模以及全球可访问性等方面的突破性进展,旨在为开发者和企业赋予前所未有的能力与效率。Jinja00
Kimi-K2.5Kimi K2.5 是一款开源的原生多模态智能体模型,它在 Kimi-K2-Base 的基础上,通过对约 15 万亿混合视觉和文本 tokens 进行持续预训练构建而成。该模型将视觉与语言理解、高级智能体能力、即时模式与思考模式,以及对话式与智能体范式无缝融合。Python00
MiniMax-M2.5MiniMax-M2.5开源模型,经数十万复杂环境强化训练,在代码生成、工具调用、办公自动化等经济价值任务中表现卓越。SWE-Bench Verified得分80.2%,Multi-SWE-Bench达51.3%,BrowseComp获76.3%。推理速度比M2.1快37%,与Claude Opus 4.6相当,每小时仅需0.3-1美元,成本仅为同类模型1/10-1/20,为智能应用开发提供高效经济选择。【此简介由AI生成】Python00
ruoyi-plus-soybeanRuoYi-Plus-Soybean 是一个现代化的企业级多租户管理系统,它结合了 RuoYi-Vue-Plus 的强大后端功能和 Soybean Admin 的现代化前端特性,为开发者提供了完整的企业管理解决方案。Vue08- RRing-2.5-1TRing-2.5-1T:全球首个基于混合线性注意力架构的开源万亿参数思考模型。Python00
Qwen3.5Qwen3.5 昇腾 vLLM 部署教程。Qwen3.5 是 Qwen 系列最新的旗舰多模态模型,采用 MoE(混合专家)架构,在保持强大模型能力的同时显著降低了推理成本。00
项目优选
收起
OpenHarmony documentation | OpenHarmony开发者文档
Dockerfile
575
3.89 K
React Native鸿蒙化仓库
JavaScript
312
365
Ascend Extension for PyTorch
Python
397
474
🎉 (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
1.39 K
787
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++
902
706
openEuler内核是openEuler操作系统的核心,既是系统性能与稳定性的基石,也是连接处理器、设备与服务的桥梁。
C
360
219
昇腾LLM分布式训练框架
Python
122
148
暂无简介
Dart
814
200
AscendNPU-IR是基于MLIR(Multi-Level Intermediate Representation)构建的,面向昇腾亲和算子编译时使用的中间表示,提供昇腾完备表达能力,通过编译优化提升昇腾AI处理器计算效率,支持通过生态框架使能昇腾AI处理器与深度调优
C++
93
161
华为昇腾面向大规模分布式训练的多模态大模型套件,支撑多模态生成、多模态理解。
Python
124
161