NGXS Store中selectSignal调用上下文问题的分析与解决
问题背景
在Angular状态管理库NGXS的最新版本18.1.0中,开发人员遇到了一个关于selectSignal方法调用上下文的重要变更。这个问题主要表现为当开发者在组件生命周期钩子(如ngOnInit)中调用selectSignal方法时,会抛出"selectSignal cannot be called outside an injection context"的错误提示。
技术细节解析
selectSignal是NGXS提供的一个响应式选择器方法,它基于Angular的信号(Signal)机制实现状态选择。在NGXS 18.0.0版本中,这个方法可以在组件的任何位置调用,包括构造函数和生命周期钩子中。然而,从18.1.0版本开始,这个方法被调整为必须在注入上下文(injection context)中调用。
注入上下文是Angular中一个重要的概念,指的是能够访问依赖注入系统的地方。典型的注入上下文包括:
- 组件/指令/服务的构造函数
- 使用
inject()函数的地方 - 属性初始化器
问题复现场景
考虑以下典型的使用场景:
#store = inject(Store);
someId = input.required<number>();
ngOnInit(): void {
this.someField = this.#store.selectSignal(SomeStore.issue(this.someId()));
}
在18.0.0版本中,这段代码可以正常工作,但在18.1.0中会抛出错误,因为ngOnInit不是注入上下文。
解决方案
NGXS团队在18.1.1版本中修复了这个问题。修复后的版本恢复了原有的行为,允许在非注入上下文中调用selectSignal。
对于暂时无法升级的项目,可以采用以下临时解决方案:
#store = inject(Store);
#injector = inject(Injector);
ngOnInit(): void {
const someField = this.#store.select(SomeStore.issue(this.someId()));
this.someField = toSignal(someField, {injector: this.#injector})
}
这种方案通过显式注入Injector并使用toSignal转换实现了类似功能。
最佳实践建议
-
升级建议:建议尽快升级到NGXS 18.1.1或更高版本,以获得最稳定的体验。
-
代码组织:即使在新版本中恢复了灵活性,仍建议尽可能在注入上下文中使用
selectSignal,这能使代码更加符合Angular的设计理念。 -
状态选择时机:考虑将状态选择逻辑移到属性初始化阶段,而不是生命周期钩子中,这通常能带来更好的性能和更清晰的代码结构。
总结
这个问题的出现和解决反映了现代Angular开发中响应式编程与依赖注入系统的紧密关系。NGXS团队通过快速响应修复了这个问题,展现了开源社区的高效协作。开发者应当理解注入上下文的概念,并在设计组件时考虑状态选择的合理时机,以构建更健壮的应用程序。
kernelopenEuler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。C031
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
kylin-wayland-compositorkylin-wayland-compositor或kylin-wlcom(以下简称kywc)是一个基于wlroots编写的wayland合成器。 目前积极开发中,并作为默认显示服务器随openKylin系统发布。 该项目使用开源协议GPL-1.0-or-later,项目中来源于其他开源项目的文件或代码片段遵守原开源协议要求。C00
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