Jotai中实现派生原子状态深度比较的优化方案
2025-05-10 18:34:32作者:彭桢灵Jeremy
在状态管理库Jotai的实际应用中,开发者经常会遇到一个性能优化问题:当基础原子状态更新时,即使派生原子的计算结果没有实质变化,也会触发不必要的重新渲染。本文将深入分析这一问题,并提出一种优雅的解决方案。
问题背景
在Jotai的状态管理模型中,派生原子(derived atoms)通过getter函数从基础原子(base atoms)中计算得出值。当基础原子发生变化时,所有依赖它的派生原子都会重新计算并通知订阅者。这种机制在大多数情况下工作良好,但在某些场景下会带来性能问题:
- 当基础原子是一个包含大量属性的复杂对象时,即使只有其中一小部分属性发生变化,所有基于该对象的派生原子都会重新计算
- 派生原子的计算结果可能实际上没有变化,但仍会触发订阅组件的重新渲染
- 对于异步原子,会导致不必要的重新挂起(Suspense)和界面闪烁
现有解决方案的局限性
Jotai社区已经提出过几种相关解决方案,但各有不足:
selectAtom:只能简单选择属性,无法处理复杂计算逻辑atomWithCache:缓存的是依赖关系而非计算结果atomWithCompare:仅适用于直接设置值的原始原子(PrimitiveAtom)- 手动记忆化:需要开发者自行实现比较逻辑,代码冗余
技术方案设计
我们提出一个名为derivedAtomWithCompare的新工具函数,它具有以下特点:
- 深度比较机制:在派生原子值变化时进行深度比较,只有实际变化时才通知订阅者
- Getter支持:保留标准派生原子的特性,可以访问其他原子状态
- 灵活的比较函数:允许自定义比较逻辑,默认使用lodash的isEqual
- 类型安全:完整支持TypeScript类型推断
- 异步支持:提供同步和异步两个版本
核心实现思路是维护一个前值缓存,在每次计算新值时先与缓存比较,只有不同时才更新并通知订阅者。
实现细节
以下是关键实现代码的分析:
const derivedAtomWithCompareAsync = <T>(
read: (get: Getter) => Promise<T>,
initialValue: T,
areEqual?: (prev: any, next: any) => boolean,
): Atom<Promise<T>> => {
let previousValue = initialValue
areEqual = areEqual ?? ((prev, next) => isEqual(prev, next))
const derivedAtom = atom(async (get) => {
const next = await read(get)
if (!areEqual(previousValue, next)) {
previousValue = next
return next
}
return previousValue
})
return derivedAtom
}
需要注意的几个关键点:
- 前值缓存应该存储在原子内部,避免不同Store实例间的状态污染
- 比较函数应该支持深度比较和浅比较两种模式
- 异步版本需要正确处理Promise链
最佳实践建议
在实际项目中使用此方案时,建议:
- 对于简单属性选择,优先使用
selectAtom - 对于复杂计算逻辑,使用
derivedAtomWithCompare - 性能敏感场景下,提供自定义的比较函数
- 在大型对象上频繁访问少量属性时特别有效
未来发展方向
这个方案可以进一步扩展为:
- 提供
withCompare高阶函数,统一处理原始原子和派生原子 - 集成到jotai-history工具集中
- 支持更智能的差异检测算法
- 提供React Hook形式的便捷访问方式
通过这种优化方案,开发者可以在保持Jotai简洁API的同时,获得更好的渲染性能体验,特别适合大型复杂应用的状态管理场景。
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-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
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
Ascend Extension for PyTorch
Python
184
196
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++
648
265
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
275
97
暂无简介
Dart
623
140
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
380
3.43 K
React Native鸿蒙化仓库
JavaScript
242
315
🎉 (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
1.1 K
621
仓颉编译器源码及 cjdb 调试工具。
C++
126
856
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