Bon项目v3.4.0版本发布:构建器模式的全新升级
2025-06-29 05:33:33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
atomcodeClaude Code 的开源替代方案。连接任意大模型,编辑代码,运行命令,自动验证 — 全自动执行。用 Rust 构建,极致性能。 | An open-source alternative to Claude Code. Connect any LLM, edit code, run commands, and verify changes — autonomously. Built in Rust for speed. Get StartedRust0191
cann-learning-hubCANN 学习中心仓,支持在线互动运行、边学边练,提供教程、示例与优化方案,一站式助力昇腾开发者快速上手。Jupyter Notebook0117
Step-3.7-FlashStep-3.7-Flash是一个拥有 1980 亿参数的稀疏混合专家(MoE)视觉语言模型,由 1960 亿参数的语言主干网络和 18 亿参数的视觉编码器组合而成,具备原生图像理解能力。Python00
JoyAI-EchoJoyAI-Echo,这是一个独立的、仅用于推理的版本,旨在实现分钟级多镜头音视频生成。它采用了经过蒸馏的DMD生成器、配对的跨模态记忆以及故事级别的一致性。其性能的核心在于,一个跨模态视听记忆库能够在长达五分钟的视频中保持角色外观和语音音色的一致性。同时,一个训练后处理流程将基于记忆的强化学习与分布匹配蒸馏相结合,实现了7.5倍的速度提升,显著增强了视觉质量和对齐效果。00
omega-aiOmega-AI:基于java打造的深度学习框架,帮助你快速搭建神经网络,实现模型推理与训练,引擎支持自动求导,多线程与GPU运算,GPU支持CUDA,CUDNN。Java04
llm-universe本项目是一个面向小白开发者的大模型应用开发教程,在线阅读地址:https://datawhalechina.github.io/llm-universe/Jupyter Notebook08
热门内容推荐
最新内容推荐
项目优选
收起
暂无描述
Dockerfile
763
4.97 K
本项目是CANN提供的transformer类大模型算子库,实现网络在NPU上加速计算。
C++
856
1.92 K
本项目是CANN提供的神经网络类计算算子库,实现网络在NPU上加速计算。
C++
677
1.33 K
Ascend Extension for PyTorch
Python
719
875
deepin linux kernel
C
32
16
openEuler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。
C
455
437
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++
1.07 K
1.09 K
华为昇腾面向大规模分布式训练的多模态大模型套件,支撑多模态生成、多模态理解。
Python
150
252
CANN 学习中心仓,支持在线互动运行、边学边练,提供教程、示例与优化方案,一站式助力昇腾开发者快速上手。
Jupyter Notebook
297
116
昇腾LLM分布式训练框架
Python
178
220