tarpc服务宏中支持自定义派生特性的改进
2025-06-24 14:33:04作者:裘旻烁
在RPC框架tarpc的最新开发中,社区成员提出并实现了一个重要改进:为服务宏生成的请求(Request)和响应(Response)类型增加自定义派生特性(derive)的能力。这一改进显著提升了框架的测试友好性和灵活性。
背景与问题
tarpc的服务宏(#[tarpc::service])会自动为RPC服务生成相应的请求和响应类型。然而,这些生成的类型默认不实现Clone等常用特性,这给测试和模拟带来了不便。开发者需要这些特性来实现:
- 测试中的值比较(
PartialEq) - 值的复制(
Clone) - 哈希计算(
Hash) - 调试输出(
Debug)
解决方案
新实现引入了一个统一的derive属性参数,取代了原有的derive_serde参数。这个新参数接受一个特性列表,允许开发者灵活指定需要派生的所有特性。
示例用法:
#[tarpc::service(derive = [tarpc::serde::Serialize, tarpc::serde::Deserialize, Clone, Hash])]
service World {
async fn hello(message: String) -> String;
}
实现细节
-
向后兼容性处理:
- 保留了原有
derive_serde参数的支持,但会输出弃用警告 - 默认情况下仍会派生
Serialize和Deserialize特性 derive和derive_serde参数互斥,同时使用会报错
- 保留了原有
-
错误处理:
- 当同时使用
derive和derive_serde时,会产生编译错误 - 使用
derive_serde时会输出警告,提示迁移到新语法
- 当同时使用
-
灵活性提升:
- 开发者可以精确控制需要派生的特性
- 可以完全禁用序列化特性的派生
- 支持添加任意标准库或第三方特性
技术影响
这一改进对tarpc用户的主要好处包括:
- 测试便利性:可以轻松克隆请求/响应对象进行断言比较
- 模拟简化:更容易创建测试用的模拟对象
- 灵活性增强:支持更多使用场景,如将RPC对象用作HashMap键
- 现代化语法:采用更符合Rust惯例的属性参数设计
迁移指南
现有用户应逐步将代码从:
#[tarpc::service(derive_serde)]
迁移至:
#[tarpc::service(derive = [Serialize, Deserialize])]
对于不需要序列化的场景,可以完全禁用派生:
#[tarpc::service(derive = [])]
这一改进体现了tarpc框架对开发者体验的持续关注,使得基于tarpc构建的应用更加易于测试和维护。
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
MQTT 3.1.1协议中文版文档:物联网开发者的必备技术指南 Solidcam后处理文件下载与使用完全指南:提升CNC编程效率的必备资源 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 CrystalIndex资源文件管理系统:高效索引与文件管理的最佳实践指南 QT连接阿里云MySQL数据库完整指南:从环境配置到问题解决 Windows Server 2016 .NET Framework 3.5 SXS文件下载与安装完整指南 Python开发者的macOS终极指南:VSCode安装配置全攻略 瀚高迁移工具migration-4.1.4:企业级数据库迁移的智能解决方案 STM32到GD32项目移植完全指南:从兼容性到实战技巧
项目优选
收起
deepin linux kernel
C
24
9
Ascend Extension for PyTorch
Python
223
246
暂无简介
Dart
672
157
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++
663
313
React Native鸿蒙化仓库
JavaScript
262
324
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
🎉 (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
1.2 K
655
🔥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
64
19
openGauss kernel ~ openGauss is an open source relational database management system
C++
160
218
TorchAir 支持用户基于PyTorch框架和torch_npu插件在昇腾NPU上使用图模式进行推理。
Python
330
137