Fruit框架中动态装饰器模式的实现方法
2025-07-08 09:17:30作者:田桥桑Industrious
概述
在依赖注入框架Fruit中实现动态装饰器模式是一个常见的需求场景。本文将通过一个实际案例,详细介绍如何在Fruit框架中根据运行时条件动态选择基础实现类并决定是否添加装饰器层。
问题背景
假设我们有一个名称翻译器的抽象基类NameTranslator,以及它的几个具体实现:
NewStyleTranslator- 新式翻译器实现LegacyTranslator- 旧式翻译器实现NormalizingTranslator- 规范化装饰器,包装其他NameTranslator实现
业务需求是根据两个运行时布尔值参数动态决定:
- 使用新式还是旧式翻译器(
is_new_style) - 是否需要添加规范化装饰层(
should_normalize)
初始实现尝试
基于注解的绑定方案
开发者首先尝试使用Fruit的注解功能来实现动态绑定:
fruit::Component<fruit::Required<NewStyleTranslator, LegacyTranslator>,
fruit::Annotated<InnerTag, NameTranslator>>
get_inner_component(bool is_new_style) {
if (is_new_style) {
return fruit::createComponent()
.bind<fruit::Annotated<InnerTag, NameTranslator>, NewStyleTranslator>();
} else {
return fruit::createComponent()
.bind<fruit::Annotated<InnerTag, NameTranslator>, LegacyTranslator>();
}
}
然后在外部组件中尝试将普通NameTranslator绑定到注解版本:
fruit::Component<fruit::Required<fruit::Annotated<InnerTag, NameTranslator>>,
NameTranslator>
get_outer_component() {
return fruit::createComponent()
.bind<NameTranslator, fruit::Annotated<InnerTag, NameTranslator>>();
}
这种方案遇到了编译错误,因为Fruit框架会阻止将接口绑定到自身,即使使用了不同的注解。
基于Provider的方案
第二种尝试是使用registerProvider:
registerProvider([](
Provider<NewStyleTranslator> new_style,
Provider<LegacyTranslator> legacy,
OtherParameters other_params) {
NameTranslator* inner = is_new_style ? new_style.get() : legacy.get();
return should_normalize ? new NormalizingTranslator(*inner, other_params) : inner;
});
这种方案会导致双重释放问题,因为当should_normalize为false时,返回的是已由其他部分管理的指针,而Fruit框架会尝试再次释放它。
解决方案
Fruit框架维护者确认了第一种基于注解的方案是正确的方向,但框架原本的实现过于严格地阻止了接口到自身的绑定。在最新版本中,框架已做出以下改进:
- 只有当绑定完全相同的类型和注解时才会报错
- 允许将普通接口绑定到带注解的相同接口
- 更新了相关文档说明
这意味着现在可以安全地使用注解方案来实现动态装饰器模式。
最佳实践
在Fruit中实现动态装饰器模式的推荐做法是:
- 使用注解标记内部实现
- 根据条件绑定不同的具体实现到注解接口
- 在外部组件中决定是否添加装饰层
- 确保装饰器类也继承自基接口
这种模式不仅适用于名称翻译器场景,也可以推广到其他需要动态装饰的业务场景中。
总结
Fruit框架通过灵活的注解系统和改进后的绑定规则,为开发者提供了实现动态装饰器模式的优雅方案。理解框架的绑定机制和生命周期管理是成功应用这种模式的关键。随着框架的不断完善,这类常见设计模式的实现会变得更加直观和简便。
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 Notebook0118
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
fun-rec推荐系统入门教程,在线阅读地址:https://datawhalechina.github.io/fun-rec/Python03
so-large-lm大模型基础: 一文了解大模型基础知识01
热门内容推荐
最新内容推荐
项目优选
收起
暂无描述
Dockerfile
765
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
1.93 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++
680
1.33 K
Ascend Extension for PyTorch
Python
719
879
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
456
438
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
1.1 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
151
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
303
118
昇腾LLM分布式训练框架
Python
178
220