Jotai中实现派生原子状态深度比较的优化方案
2025-05-10 03:19:45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
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
项目优选
收起
暂无描述
Dockerfile
764
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++
857
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++
678
1.33 K
Ascend Extension for PyTorch
Python
719
876
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++
1.08 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
302
117
昇腾LLM分布式训练框架
Python
178
220