技术

图数据库的一些考量 LLM一些探索 Agent实践 LLM预训练 向量数据库的一些考量 fastapi+sqlalchemy进行项目开发 LLM微调实践 Python协程实现 Agent Functon Calling LLamaIndex入门 Multi-Agent探索 Python虚拟机 LLM工作流编排 Python实践 下一个平台Agent 激发LLM涌现——提示工程 LLM微调理论 大佬沉思 LLM外挂知识库 LLMOps 多模态LLM Python一些比较有意思的库 Transformers源码学习 LangChain源码学习 通用分布式计算引擎Ray Python并发 go依赖注入 go collection gc的基本原理 golang性能分析及优化 数据湖 高性能计算与存储 Linux2.1.13网络源代码学习 《大数据经典论文解读》 三驾马车学习 Spark 内存管理及调优 Yarn学习 从Spark部署模式开始讲源码分析 容器狂占内存资源怎么办? 多角度理解一致性 golang io使用及优化模式 Flink学习 c++学习 学习ebpf go设计哲学 ceph学习 学习mesh kvm虚拟化 学习MQ go编译器以及defer实现 学习go 为什么要有堆栈 汇编语言 计算机组成原理 运行时和库 Prometheus client mysql 事务 mysql 事务的隔离级别 mysql 索引 坏味道 学习分布式 学习网络 学习Linux go堆内存分配 golang 系统调用与阻塞处理 Goroutine 调度过程 重新认识cpu mosn有的没的 负载均衡泛谈 单元测试的新解读 《Redis核心技术与实现》笔记 《Prometheus监控实战》笔记 Prometheus 告警学习 calico源码分析 对容器云平台的理解 Prometheus 源码分析 并发的成本 基础设施优化 hashicorp raft源码学习 docker 架构 mosn细节 与微服务框架整合 Java动态代理 编程范式 并发通信模型 《网络是怎样连接的》笔记 go channel codereview gc分析 jvm 线程实现 go打包机制 go interface及反射 如何学习Kubernetes 《编译原理之美》笔记——后端部分 《编译原理之美》笔记——前端部分 Pilot MCP协议分析 go gc 内存管理玩法汇总 软件机制 istio流量管理 Pilot源码分析 golang io 学习Spring mosn源码浅析 MOSN简介 《datacenter as a computer》笔记 学习JVM Tomcat源码分析 Linux可观测性 学习存储 学计算 Gotty源码分析 kubernetes operator kaggle泰坦尼克问题实践 kubernetes扩缩容 神经网络模型优化 直觉上理解深度学习 如何学习机器学习 TIDB源码分析 什么是云原生 Alibaba Java诊断工具Arthas TIDB存储——TIKV 《Apache Kafka源码分析》——简介 netty中的线程池 guava cache 源码分析 Springboot 启动过程分析 Spring 创建Bean的年代变迁 Linux内存管理 自定义CNI IPAM 共识算法 spring redis 源码分析 kafka实践 spring kafka 源码分析 Linux进程调度 让kafka支持优先级队列 Codis源码分析 Redis源码分析 C语言学习 《趣谈Linux操作系统》笔记 docker和k8s安全访问机制 jvm crash分析 Prometheus 学习 Kubernetes监控 Kubernetes 控制器模型 容器日志采集 容器狂占资源怎么办? Kubernetes资源调度——scheduler 时序性数据库介绍及对比 influxdb入门 maven的基本概念 《Apache Kafka源码分析》——server Kubernetes类型系统 源码分析体会 《数据结构与算法之美》——算法新解 Kubernetes源码分析——controller mananger Kubernetes源码分析——apiserver Kubernetes源码分析——kubelet Kubernetes介绍 ansible学习 Kubernetes源码分析——从kubectl开始 jib源码分析之Step实现 线程排队 jib源码分析之细节 跨主机容器通信 jib源码分析及应用 为容器选择一个合适的entrypoint kubernetes yaml配置 《持续交付36讲》笔记 mybatis学习 程序猿应该知道的 无锁数据结构和算法 CNI——容器网络是如何打通的 为什么很多业务程序猿觉得数据结构和算法没用? 串一串一致性协议 当我在说PaaS时,我在说什么 《数据结构与算法之美》——数据结构笔记 PouchContainer技术分享体会 harbor学习 用groovy 来动态化你的代码 精简代码的利器——lombok 学习 《深入剖析kubernetes》笔记 编程语言那些事儿 rxjava3——背压 rxjava2——线程切换 spring cloud 初识 《深入拆解java 虚拟机》笔记 《how tomcat works》笔记 hystrix 学习 rxjava1——概念 Redis 学习 TIDB 学习 如何分发计算 Storm 学习 AQS1——论文学习 Unsafe Spark Stream 学习 linux vfs轮廓 《自己动手写docker》笔记 java8 实践 中本聪比特币白皮书 细读 区块链泛谈 比特币 大杂烩 总纲——如何学习分布式系统 hbase 泛谈 forkjoin 泛谈 看不见摸不着的cdn是啥 《jdk8 in action》笔记 程序猿视角看网络 bgp初识 calico学习 AQS——粗略的代码分析 我们能用反射做什么 web 跨域问题 《clean code》笔记 《Elasticsearch权威指南》笔记 mockito简介及源码分析 2017软件开发小结—— 从做功能到做系统 《Apache Kafka源码分析》——clients dns隐藏的一个坑 《mysql技术内幕》笔记 log4j学习 为什么netty比较难懂? 递归、回溯、动态规划 apollo client源码分析及看待面向对象设计 学习并发 docker运行java项目的常见问题 OpenTSDB 入门 spring事务小结 分布式事务 javascript应用在哪里 《netty in action》读书笔记 netty对http2协议的解析 ssl证书是什么东西 http那些事 苹果APNs推送框架pushy apple 推送那些事儿 编写java框架的几大利器 java内存模型和jvm内存布局 java exception Linux IO学习 netty内存管理 测试环境docker化实践 netty在框架中的使用套路 Nginx简单使用 《Linux内核设计的艺术》小结 Go并发机制及语言层工具 Linux网络源代码学习——数据包的发送与接收 《docker源码分析》小结 docker namespace和cgroup zookeeper三重奏 数据库的一些知识 Spark 泛谈 链式处理的那些套路 netty回顾 Thrift基本原理与实践(二) Thrift基本原理与实践(一) 回调 异步执行抽象——Executor与Future Docker0.1.0源码分析 java gc Jedis源码分析 深度学习泛谈 Linux网络命令操作 JTA与TCC 换个角度看待设计模式 Scala初识 向Hadoop学习NIO的使用 以新的角度看数据结构 并发控制相关的硬件与内核支持 systemd 简介 quartz 源码分析 基于docker搭建测试环境(二) spring aop 实现原理简述 自己动手写spring(八) 支持AOP 自己动手写spring(七) 类结构设计调整 分析log日志 自己动手写spring(六) 支持FactoryBean 自己动手写spring(九) 总结 自己动手写spring(五) bean的生命周期管理 自己动手写spring(四) 整合xml与注解方式 自己动手写spring(三) 支持注解方式 自己动手写spring(二) 创建一个bean工厂 自己动手写spring(一) 使用digester varnish 简单使用 关于docker image的那点事儿 基于docker搭建测试环境 分布式配置系统 JVM执行 git maven/ant/gradle/make使用 再看tcp kv系统 java nio的多线程扩展 《Concurrency Models》笔记 回头看Spring IOC IntelliJ IDEA使用 Java泛型 vagrant 使用 Go常用的一些库 Python初学 Goroutine 调度模型 虚拟网络 《程序员的自我修养》小结 Kubernetes存储 访问Kubernetes上的Service Kubernetes副本管理 Kubernetes pod 组件 Go基础 JVM类加载 硬币和扑克牌问题 LRU实现 virtualbox 使用 ThreadLocal小结 docker快速入门

架构

bert rerank微调 大模型推理tips RAG向量检索与微调 dddfirework源码分析 RAG与知识图谱 大模型推理服务框架vLLM 大模型推理服务框架 模型服务化(未完成) 大模型Post-Training 大模型训练 大模型推理 从Attention到Transformer k8s设备管理 ddd从理念到代码 如何应用LLM 小鼠如何驾驭大象(LLM)? 多类型负载协调员Koordinator controller-runtime细节分析 finops学习 kubevela多集群 kubevela中cue的应用 基于k8s的工作流 kubevela源码分析 容器和CPU那些事儿 数据集管理fluid 应用管理平台kubevela karmada支持crd 多集群管理 AutoML和AutoDL 特征平台 实时训练 分布式链路追踪 K8S YAML 资源清单管理方案 tensorflow原理——python层分析 如何学习tensorflow 数据并行——allreduce 数据并行——ps 推荐系统embedding原理及实践 机器学习中的python调用c 机器学习训练框架概述 tensornet源码分析 大模型训练和推理 X的生成——特征工程 tvm tensorflow原理——core层分析 模型演变 《深度学习推荐系统实战》笔记 keras 和 Estimator tensorflow分布式训练 分布式训练的一些问题 基于Volcano的弹性训练 图神经网络 pytorch弹性分布式训练 从混部到统一调度 从RNN到Attention pytorch分布式训练 CNN 《动手学深度学习》笔记 pytorch与线性回归 多活 volcano特性源码分析 推理服务 kubebuilder 学习 mpi 学习pytorch client-go学习 提高gpu 利用率 GPU与容器的结合 GPU入门 AI云平台梳理 tensorflow学习 tf-operator源码分析 k8s批处理调度/Job调度 喜马拉雅容器化实践 Kubernetes 实践 学习rpc BFF openkruise学习 可观察性和监控系统 基于Kubernetes选主及应用 《许式伟的架构课》笔记 Admission Controller 与 Admission Webhook 发布平台系统设计 k8s水平扩缩容 Scheduler如何给Node打分 Scheduler扩展 深入controller openkruise cloneset学习 controller-runtime源码分析 pv与pvc实现 csi学习 client-go informer源码分析 kubelet 组件分析 调度实践 Pod是如何被创建出来的? 《软件设计之美》笔记 mecha 架构学习 Kubernetes events学习及应用 CRI——kubelet与容器引擎之间的接口 资源调度泛谈 业务系统设计原则 grpc学习 元编程 以应用为中心 istio学习 下一代微服务Service Mesh 《实现领域驱动设计》笔记 概率论 serverless 泛谈 《架构整洁之道》笔记 处理复杂性 那些年追过的并发 服务器端编程 网络通信协议 架构大杂烩 如何学习架构 《反应式设计模式》笔记 项目的演化特点 反应式架构摸索 函数式编程的设计模式 服务化 ddd反模式——CRUD的败笔 研发效能平台 重新看面向对象设计 业务系统设计的一些体会 函数式编程 《左耳听风》笔记 业务程序猿眼中的微服务管理 DDD实践——CQRS 项目隔离——案例研究 《编程的本质》笔记 系统故障排查汇总及教训 平台支持类系统的几个点 代码腾挪的艺术 abtest 系统设计汇总 《从0开始学架构》笔记 初级权限系统设计 领域驱动理念 现有上传协议分析 移动网络下的文件上传要注意的几个问题 推送系统的几个基本问题 做配置中心要想好的几个基本问题 不同层面的异步 分层那些事儿 性能问题分析 用户认证问题 资源的分配与回收——池 消息/任务队列

标签

k8s设备管理 多类型负载协调员Koordinator controller-runtime细节分析 finops学习 kubevela多集群 kubevela中cue的应用 基于k8s的工作流 kubevela源码分析 容器和CPU那些事儿 数据集管理fluid 应用管理平台kubevela karmada支持crd 多集群管理 K8S YAML 资源清单管理方案 从混部到统一调度 volcano特性源码分析 kubebuilder 学习 client-go学习 tf-operator源码分析 k8s批处理调度/Job调度 喜马拉雅容器化实践 Kubernetes 实践 openkruise学习 基于Kubernetes选主及应用 Admission Controller 与 Admission Webhook k8s水平扩缩容 Scheduler如何给Node打分 Scheduler扩展 深入controller openkruise cloneset学习 controller-runtime源码分析 pv与pvc实现 csi学习 client-go informer源码分析 kubelet 组件分析 调度实践 Pod是如何被创建出来的? Kubernetes events学习及应用 CRI——kubelet与容器引擎之间的接口 资源调度泛谈 如何学习Kubernetes 以应用为中心 kubernetes operator kubernetes扩缩容 serverless 泛谈 什么是云原生 自定义CNI IPAM docker和k8s安全访问机制 Kubernetes监控 Kubernetes 控制器模型 Kubernetes资源调度——scheduler Kubernetes类型系统 Kubernetes源码分析——controller mananger Kubernetes源码分析——apiserver Kubernetes源码分析——kubelet Kubernetes介绍 Kubernetes源码分析——从kubectl开始 kubernetes yaml配置 CNI——容器网络是如何打通的 当我在说PaaS时,我在说什么 《深入剖析kubernetes》笔记 Kubernetes存储 访问Kubernetes上的Service Kubernetes副本管理 Kubernetes pod 组件
bert rerank微调 大模型推理tips LLM一些探索 Agent实践 LLM预训练 RAG向量检索与微调 LLM微调实践 RAG与知识图谱 大模型推理服务框架vLLM Agent Functon Calling LLamaIndex入门 Multi-Agent探索 LLM工作流编排 大模型推理服务框架 模型服务化(未完成) 大模型Post-Training 大模型训练 大模型推理 从Attention到Transformer 下一个平台Agent 激发LLM涌现——提示工程 LLM微调理论 大佬沉思 LLM外挂知识库 LLMOps 多模态LLM Transformers源码学习 LangChain源码学习 如何应用LLM 小鼠如何驾驭大象(LLM)? AutoML和AutoDL 特征平台 实时训练 tensorflow原理——python层分析 如何学习tensorflow 数据并行——allreduce 数据并行——ps 推荐系统embedding原理及实践 机器学习中的python调用c 机器学习训练框架概述 tensornet源码分析 大模型训练和推理 X的生成——特征工程 tvm tensorflow原理——core层分析 模型演变 《深度学习推荐系统实战》笔记 keras 和 Estimator tensorflow分布式训练 分布式训练的一些问题 基于Volcano的弹性训练 图神经网络 pytorch弹性分布式训练 从RNN到Attention pytorch分布式训练 CNN 《动手学深度学习》笔记 pytorch与线性回归 推理服务 mpi 学习pytorch 提高gpu 利用率 GPU与容器的结合 GPU入门 AI云平台梳理 tensorflow学习 kaggle泰坦尼克问题实践 神经网络模型优化 概率论 直觉上理解深度学习 如何学习机器学习 深度学习泛谈

dddfirework源码分析

2024年07月15日

简介

ddd这么多年一直曲高和寡的一部分原因是,在代码层面缺少框架支持,用户从0到1使用ddd从概念理解上和代码实现上都成本非常大,给人带来的困惑、给团队带来的争论相比便利来说一点都不少,这点相对“声明式API + 控制器模型”之于kubebuilder/controller-runtime 都差距很大。既提供了大量辅助代码(比如client、workqueue等)、自动生成代码(比如clientset)以减少代码量,又显式定义了实现规范(比如crd包含spec和status)和约束(实现reconcile等)。所以落地声明式api 大家会有更多细节上的直观感受。

dddfirework 是一个支持 DDD (领域驱动设计)实现的引擎框架,他提供对领域实体从创建,修改,持久化,发送事件,事件监听等完整生命周期的封装,以及锁,数据库,事件总线等组件的集成。笔者有幸参与贡献了一部分源码。

缘起

  1. 从概念开始理解DDD,涉及到聚合根、领域对象、领域服务、领域事件、仓储、贫血充血模型、界限上下文、通用语言
  2. 从分层开始理解DDD,
    1. 用户接口层/Presentation。一般是http handler 或rpc handler
    2. 应用层,定义软件要完成的任务,并且指挥表达领域概念的对象来解决问题。应用层是很薄的一层,包含业务规则,只为下一层中的领域对象协调任务,分配工作。通过直接持有领域层的聚合根,infra层等直接进行业务表达。
    3. 领域层。负责表达业务概念,业务状态信息以及业务规则。尽管保存业务状态的技术细节由基础设施层提供,但反应业务情况的状态是由本层控制并使用的。
    4. 基础设施层。为上面各层提供通用的技术能力:为应用层传递消息,为领域层提供持久化机制等。
  3. 从CQRS命令查询职责分离的角度看DDD,主要是读写分离,将没有领域模型的查询功能,从命令中分离出来。

比如以http handler作为ddd逻辑的入口,对于cqrs command 操作来说,一般会有以下逻辑

1. 构建domain 对象
2. 触发domain 对象执行业务方法,domain.bizfunc()
3. 持久化domain对象

以上是构建一个cqrs command 的基本动作,我们对其提取一个ICommand。整个ddd引擎抽象为一个engine/bootstrap。则engine 的核心工作即为驱动ICommand执行,ICommand 的操作对象是实体,抽象为IEntity,IEntity 的读取和存储离不开PO。 所以我们可以说 一个ddd+cqrs 框架包含 engine、ICommand、IEntity、PO 等核心概念,它们的各层的体现如下:

  1. 用户接口层
    1. 构建engine,触发comamnd执行。 engine.runCommand(xxCommand{param})
  2. 应用层
    1. 定义command接口规范 ICommand,负责实现cqrs command三个基本逻辑:构建domain 对象、触发domain 对象、持久化domain对象。
  3. domain层
    1. Entity规范,比如IEntity,每个entity均需实现IEntity,以约束其提供GetID等实现。
    2. 提一个container的概念,作为domian在内存中的容器,维护root entity 与entity的关系。 domain.bizfunc 会改动内存,engine 将domain 持久化到db。
  4. infra层
    1. domain model基于id的crud
    2. domain model/entity与po的转换
  5. 其它/非业务特性,一个复杂的业务系统不仅有数据的crud。
    1. 事件机制,entity变更时对外发出通知,可以减少domain.bizFunc 中关于非核心域的代码
    2. 事务,一个聚合包含多个entity,持久化时保持一致性
    3. 锁机制,在操作一个entity的时候,不允许其他线程操作entity,以免破坏一致性
    4. 定时任务

实现

核心组件

核心逻辑是 new Engine().Run(xxxCommand()),创建engine 对象并执行command。其成员主要分为两个部分

  1. 驱动command 执行的,比如IExecutor 和 IDGenerator。IExecutor 主要负责 Entity和 po的转换
  2. 涉及到旁路系统能力,比如ILock/IEventBus
type Engine struct {
	executor    IExecutor         // 驱动db的crud,以及po与Entity的转换
	idGenerator IIDGenerator      // id生成器,每个domain/Entity 都应具有一个唯一id

   locker      ILock             // 支持锁机制
	eventbus    IEventBus         // 支持异步event机制
	timer       ITimer            // 支持定时任务
	logger      logr.Logger
	options     Options
}

一次 new Engine().Run(xxxCommand()) 的执行会产生许多临时数据,这些临时数据 如果作为Engine的成员,engine并发执行是会有问题,因此提取了一个 Stage 对象,其成员主要分为两个部分

  1. 能力对象,比如ILock和IEventBus 等。
  2. 运行时产生的临时数据,比如meta/snapshot,Stage的各个方法传递信息靠的就是共享Stage 这些临时成员
// Stage 取舞台的意思,表示单次运行
type Stage struct {
	lockKeys []string
	main     MainFunc

	locker      ILock
	executor    IExecutor
	eventBus    IEventBus
	timer       ITimer
	idGenerator IIDGenerator
	logger      logr.Logger
	options     Options
   // 临时数据
	meta     *EntityContainer
	snapshot entitySnapshotPool
	result   *Result
	eventCtx context.Context
}

cqrs command的基本步骤与ICommand对应关系:构建domain对应ICommand.Build,触发domain.bizfunc 对应ICommand.Act。

// 通用command 接口
// 将command的基本动作: 构建domain;domain.bizFunc; 保存domain 通过接口的形式固化下来
type ICommand interface{
   // Init 会在锁和事务之前执行,可进行数据校验,前置准备工作,可选返回锁ID
   Init(ctx context.Context) (lockKeys []string, err error)
   // Build 构建并返回聚合根实体,框架会为返回值自动生成快照,作为持久化比对的依据
   // 注意,Create 的情况不需要在 Build 方法返回
   Build(ctx context.Context, builder DomainBuilder) (roots []IEntity, err error)
   // Act 调用实体行为
   Act(ctx context.Context, container RootContainer, roots ...IEntity) (err error)
}

ICommand.Act 会带来domain 内存数据的变动,Stage通过对比meta 与snapshot 的差异,将domain diff转为po变化,并持久化到db。

ICommand 可以满足大部分场景,但只能在其Init/Build/Act写逻辑,开发比较难干预engine的执行(或者说ICommand 暴露的engine 细节太少),进而无法实现一些个性化场景。比如开发在 ICommand.Act 只能触发domain的内存改动,如果希望持久化立即生效且拿到生效后的一些数据的话,则无能为力。为此dddfirework还提供了一个ICommandMain 抽象,实质是 ICommandMain.Main 有Repository 参数,你可以拿来干很多事儿,但domain的获取必须通过 Repository,这样Stage可以保持对 domain的跟踪。

type ICommandMain interface {
	Main(ctx context.Context, repo *Repository) (err error)
}

驱动逻辑

每次RunCommand 都会新建一个Stage ,持有 meta:*EntityContainersnapshot:map[IEntity]*entitySnapshot{}(snapshot 暂存Act 之前的meta )。engine/Stage 执行过程中,随着domain.bizfunc 的执行涉及到domain对象成员数据的改变,stage.snapshot用来记录快照的。

func (e *Engine) RunCommand(ctx context.Context, c ICommand, opts ...Option) *Result {
	return e.NewStage().WithOption(opts...).RunCommand(ctx, c)
}
func (e *Stage) RunCommand(ctx context.Context, c ICommand) *Result {
	return e.Run(ctx, c)
}
func (e *Stage) Run(ctx context.Context, cmd interface{}) *Result {
	...
	var keys []string
	var options []Option
	if cmdInit, ok := cmd.(ICommandInit); ok {
		initKeys, err := cmdInit.Init(ctx)
		if err != nil {
			return ResultErrOrBreak(err)
		}
		keys = initKeys
	}
	if cmdPostSave, ok := cmd.(ICommandPostSave); ok {
		options = append(options, PostSaveOption(cmdPostSave.PostSave))
	}
	return e.WithOption(options...).Lock(keys...).Main(c.Main).Save(ctx)
	...
}

Stage 中的WithOption/Lock/Main 方法都只是“赋值”方法,将参数或函数赋给内部的成员,Stage.Save 触发了最后逻辑的执行。 就好比spark rdd的api 分为transformer 和 action api两种,只有action api 才会真正触发执行。

func (e *Stage) do(ctx context.Context) *Result {
	// 创建聚合
	var err error
	if e.main != nil {
		repo := &Repository{stage: e}
		if err := e.main(ctx, repo); err != nil {
			return ResultErrOrBreak(err)
		}
		if err := repo.getError(); err != nil {
			return ResultError(err)
		}
	}
	err = e.persist(ctx)
	if err != nil {
		return ResultErrors(err)
	}

	events := e.collectEvents()
	if len(events) > 0 && e.options.EventPersist != nil {
		action, err := e.makeEventPersistAction(events)
		if err != nil {
			return ResultErrors(err)
		}
		if err := e.exec(ctx, []*Action{action}); err != nil {
			return ResultError(err)
		}
	}

	// 发送领域事件
	if len(events) > 0 {
		if e.eventBus == nil {
			return ResultErrors(ErrNoEventBusFound)
		}
		if err := e.dispatchEvents(ctx, events); err != nil {
			return ResultErrors(err)
		}
	}
	return e.result
}

持久化

持久化的核心 是Stage.meta和 Stage.snapshot,在构建domain时,domain 会记录在Stage.meta 以及Stage.snapshot中,之后ICommand.Act 会触发domain.bizfunc 即domain 数据的改变,此时Stage.meta 持有最新的domain 数据,Stage.snapshot 持有ICommand.Act 之前的domain 数据,之后便是计算domain 粒度的diff:domain新增、删除很直接;domain有更新则依靠用户主动调用 IEntity.Dirty来标记。

// Stage 取舞台的意思,表示单次运行
type Stage struct {
   // 临时数据
	meta     *EntityContainer
	snapshot entitySnapshotPool
	result   *Result
	eventCtx context.Context
}
type EntityContainer struct {
	BaseEntity

	roots   []IEntity // 保存聚合根实体
	deleted []IEntity // 保存所有被删除实体
}

得到domain 的diff 之后,如何将domain的diff 保存的db里?以cqrs来看,复杂的查询主要发生在Query,Command 会用到一些查询,但不会很复杂,集中在根据id的获取。每一个domain/entity 都会有一个唯一id,每个domain 会在db里对应一个多个po/表,除了domain 与po 的转换逻辑之外,Command 场景下 po的crud 可以由一个组件统一负责,即IExecutor。

  1. 对于新增的 domain,将其转为po/IModel 之后,insert
  2. 对于删除的 domain,将其转为po/IModel 之后(实际不用转,只有id即可),delete
  3. 对于更新的 domain,将其转为po/IModel 之后,与之前po/IModel 计算diff,得出要update的fields,gormdb.Select(fields).Updates(model) 即可。
    type IExecutor interface {
     ITransaction
     IConverter
    
     Exec(ctx context.Context, actions *Action) error
    }
    type Action struct {
     Op OpType
    
     Models      []IModel    // 当前待操作模型,stage 确保一个 Action 下都是同类的模型
     PrevModels  []IModel    // 基于快照生成的模型,跟 Models 一一对应,Executor 需要对两者做差异比对后更新
     Query       IModel      // 指定查询字段的数据模型
     QueryResult interface{} // Model 的 slice 的指针,形如 *[]ExampleModel
    }