Drizzle-ORM 中 BigInt 序列化问题的分析与解决方案
问题背景
在使用 Drizzle-ORM 与 Fastify/NestJS 构建应用时,开发者可能会遇到一个常见的错误:"TypeError: Do not know how to serialize a BigInt"。这个问题通常出现在处理 PostgreSQL 数据库中的 bigserial 或 bigint 类型字段时。
问题根源
这个问题的本质在于 JavaScript 的 JSON.stringify() 方法无法直接序列化 BigInt 类型。当 Drizzle-ORM 从数据库查询返回包含 BigInt 类型的数据,而应用框架(如 Fastify 或 Express)尝试将这些数据序列化为 JSON 响应时,就会抛出上述错误。
Drizzle-ORM 的默认行为
Drizzle-ORM 在处理 bigserial 和 bigint 类型时有一些值得注意的行为差异:
- 对于 bigserial 类型,Drizzle-Kit 默认生成 {mode: 'bigint'} 的配置
- 对于普通 bigint 类型(特别是外键字段),Drizzle-Kit 会默认生成 {mode: 'number'} 的配置,并附带注释说明可以使用 bigint 模式来处理超出 JavaScript 数字限制的情况
解决方案
方案一:修改模式为 number
最直接的解决方案是在定义 bigserial 字段时显式指定 mode 为 number:
id: bigserial('id', {mode: 'number'}).primaryKey().notNull()
这种方案简单有效,但需要注意可能丢失精度的问题,因为 JavaScript 的 number 类型只能安全表示 ±(2^53-1) 范围内的整数。
方案二:自定义序列化逻辑
对于需要处理超大整数的场景,可以保留 bigint 模式,但需要实现自定义的序列化逻辑。常见方法包括:
- 在应用层添加 BigInt 的序列化支持
- 使用中间件转换 BigInt 为字符串
- 在 DTO 转换时处理 BigInt 字段
方案三:统一模式配置
为了保持一致性,建议在项目中统一 bigserial 和 bigint 的模式配置。如果大部分场景不需要处理超大整数,可以全局使用 number 模式;否则,统一使用 bigint 模式并实现相应的序列化支持。
最佳实践建议
- 对于主键 ID 等通常不会达到超大值的字段,优先使用 number 模式
- 在项目早期明确是否需要处理超大整数,统一配置模式
- 在 API 文档中明确说明可能存在的整数精度限制
- 考虑在数据库模型定义中添加注释说明模式选择的原因
总结
Drizzle-ORM 的 BigInt 序列化问题是一个典型的 JavaScript 类型系统与数据库类型系统之间的阻抗匹配问题。通过理解问题本质和 Drizzle-ORM 的行为模式,开发者可以做出合理的架构决策,平衡开发便利性和功能完整性。
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