SolidJS Store 中对象引用修改的陷阱与最佳实践
问题现象
在使用 SolidJS 的 createStore 时,开发者可能会遇到一个令人困惑的现象:当通过路径语法修改 store 中的对象引用时,原始数组中的值也会被意外修改。例如:
const [store, setStore] = createStore({
items: [] as Item[],
current: null as Item | null,
})
// 这种写法会导致问题
setStore("current", items[index])
在上述代码中,当通过 setStore("current", items[index]) 修改 current 值时,不仅会改变 current 的值,还会意外修改原始数组 items 中对应元素的值。
问题根源
这个问题的根本原因在于 SolidJS store 的浅合并(shallow merge)机制。当使用路径语法进行修改时,SolidJS 会对对象进行浅合并操作,这会导致引用关系被保留,从而产生意外的副作用。
SolidJS 核心团队成员 Ryan Solid 解释称,这种行为是设计上的选择,目的是为了保持与顶层 API 的一致性。这种设计可以追溯到 React 还在使用类组件的时代,当时调用 setState 并传入对象进行合并是常见做法。
解决方案
1. 使用对象语法替代路径语法
最推荐的解决方案是改用对象语法进行 store 更新:
// 推荐写法
setStore({ current: something });
// 对于嵌套属性
setStore("a", { b: something });
这种写法会避免浅合并带来的副作用,因为 SolidJS 在处理对象语法时不会进行合并操作。
2. 使用 getter 计算属性
另一种优雅的解决方案是使用 getter 计算属性:
const [store, setStore] = createStore({
items: [] as Item[],
currentIdx: null as number | null,
get current() {
return this.items[this.currentIdx]
}
})
这种方法通过索引(currentIdx)来维护当前项,实现了单一数据源原则,避免了直接引用带来的问题。
3. 使用 produce 进行不可变更新
如果需要更复杂的更新逻辑,可以使用 SolidJS 的 produce 函数:
setStore(produce(s => {
s.current = item
}))
这种方式提供了更精细的控制,适合复杂的状态更新场景。
深入理解
为什么会出现这个问题?
在 JavaScript 中,对象是通过引用传递的。当我们将数组中的一个元素直接赋值给另一个属性时,实际上是在复制引用而非值。SolidJS 的 store 机制在处理这种引用时会保持其活性,以便实现响应式更新,这就导致了原始数组也被修改的现象。
性能考量
虽然可以使用深拷贝(如 structuredClone 或 JSON.parse/JSON.stringify)来解决这个问题,但这会带来性能开销,特别是在处理大型对象或频繁更新时。因此,上述推荐的解决方案在性能和正确性之间取得了更好的平衡。
最佳实践总结
- 优先使用对象语法:避免直接使用路径语法修改对象引用
- 考虑计算属性:对于派生状态,使用 getter 是更安全的选择
- 复杂场景使用 produce:当更新逻辑复杂时,produce 提供了更好的控制
- 避免深拷贝:除非必要,否则不要使用深拷贝,以免影响性能
- 初始化考虑:如果可能,避免在 store 中使用 null 初始化对象属性,考虑使用空对象
通过遵循这些最佳实践,开发者可以避免 SolidJS store 中的引用陷阱,构建更可靠和可维护的应用程序状态管理。
AutoGLM-Phone-9BAutoGLM-Phone-9B是基于AutoGLM构建的移动智能助手框架,依托多模态感知理解手机屏幕并执行自动化操作。Jinja00
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
GLM-4.6V-FP8GLM-4.6V-FP8是GLM-V系列开源模型,支持128K上下文窗口,融合原生多模态函数调用能力,实现从视觉感知到执行的闭环。具备文档理解、图文生成、前端重构等功能,适用于云集群与本地部署,在同类参数规模中视觉理解性能领先。Jinja00
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