Bon项目v3.4.0版本发布:构建器模式的全新升级
2025-06-29 00:55:17作者:舒璇辛Bertina
项目简介
Bon是一个基于Rust语言的构建器模式(Builder Pattern)实现库,它通过过程宏简化了复杂对象的构建过程。构建器模式是一种创建型设计模式,允许用户通过链式调用逐步构建复杂对象,特别适合需要多个可选参数或复杂初始化逻辑的场景。
v3.4.0版本核心更新
1. 构建器Getter方法稳定化
本次版本中,#[builder(getter)]属性已经从实验性功能转为稳定功能。这个特性允许为构建器的每个字段生成对应的getter方法,无需再启用experimental-getters特性。
在实际开发中,getter方法特别有用当我们需要在构建过程中检查或验证某些字段值时。例如:
#[derive(Builder)]
struct Config {
#[builder(getter)]
timeout: u32,
#[builder(getter)]
retries: u8,
}
let builder = Config::builder()
.timeout(30)
.retries(3);
// 现在可以安全地访问构建中的值
if builder.timeout() > 60 {
println!("警告:超时设置过长");
}
2. 原生字段支持
新版本引入了两个重要的原生字段:
self接收器:允许在构建过程中访问当前构建器实例start_fn成员:提供了构建过程的起点函数
这些原生字段为构建器提供了更大的灵活性,特别是在需要实现自定义构建逻辑时。例如,我们可以利用self接收器实现条件构建:
#[derive(Builder)]
#[builder(start_fn = custom_start)]
struct CustomBuilder {
value: i32,
}
fn custom_start() -> CustomBuilder {
CustomBuilder {
value: Default::default(),
}
}
impl CustomBuilder {
pub fn with_positive(mut self, val: i32) -> Self {
if val > 0 {
self.value = val;
}
self
}
}
3. 自动From实现
新增的#[builder(derive(Into))]属性可以自动生成From<Builder> for T实现,简化了构建器到目标类型的转换过程。这个特性在需要将构建器直接作为函数参数传递时特别有用。
#[derive(Builder)]
#[builder(derive(Into))]
struct Point {
x: i32,
y: i32,
}
fn draw_point(point: Point) {
// ...
}
// 现在可以直接传递构建器
draw_point(Point::builder().x(10).y(20));
技术深度解析
构建器模式的优势
Bon库实现的构建器模式具有几个显著优势:
- 可读性:链式调用使代码更加清晰易懂
- 安全性:在编译时检查必填字段
- 灵活性:支持可选参数和默认值
- 不变性:构建完成后对象不可变
新特性的应用场景
- 配置对象构建:适合构建包含多个可选参数的复杂配置对象
- 测试数据准备:在单元测试中方便地创建测试对象
- DSL实现:可以用于创建领域特定语言
- 渐进式初始化:分步骤初始化复杂对象
升级建议
对于现有项目,升级到v3.4.0版本需要注意:
- 如果之前使用了
experimental-getters特性,现在可以安全移除 - 考虑使用新的
derive(Into)特性简化代码 - 评估是否可以利用原生字段优化现有构建逻辑
未来展望
从本次更新可以看出,Bon项目正在向更稳定、更灵活的方向发展。预计未来版本可能会在以下方面继续改进:
- 更丰富的自定义构建逻辑支持
- 更强大的错误处理机制
- 与其他Rust生态系统的更好集成
- 性能优化
v3.4.0版本的发布标志着Bon项目在构建器模式实现上又迈出了坚实的一步,为Rust开发者提供了更强大、更易用的对象构建工具。
登录后查看全文
热门项目推荐
相关项目推荐
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-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
项目优选
收起
deepin linux kernel
C
24
7
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
暂无简介
Dart
615
140
Ascend Extension for PyTorch
Python
167
187
React Native鸿蒙化仓库
JavaScript
240
315
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++
647
255
本仓将收集和展示高质量的仓颉示例代码,欢迎大家投稿,让全世界看到您的妙趣设计,也让更多人通过您的编码理解和喜爱仓颉语言。
Cangjie
373
3.18 K
🎉 (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
1.09 K
618
🔥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
62
19
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
261
92