Fruit框架中动态装饰器模式的实现方法
2025-07-08 06:36:44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
PaddleOCR-VLPaddleOCR-VL 是一款顶尖且资源高效的文档解析专用模型。其核心组件为 PaddleOCR-VL-0.9B,这是一款精简却功能强大的视觉语言模型(VLM)。该模型融合了 NaViT 风格的动态分辨率视觉编码器与 ERNIE-4.5-0.3B 语言模型,可实现精准的元素识别。Python00
unified-cache-managementUnified Cache Manager(推理记忆数据管理器),是一款以KV Cache为中心的推理加速套件,其融合了多类型缓存加速算法工具,分级管理并持久化推理过程中产生的KV Cache记忆数据,扩大推理上下文窗口,以实现高吞吐、低时延的推理体验,降低每Token推理成本。Python03
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
HunyuanWorld-Mirror混元3D世界重建模型,支持多模态先验注入和多任务统一输出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
Spark-Scilit-X1-13B科大讯飞Spark Scilit-X1-13B基于最新一代科大讯飞基础模型,并针对源自科学文献的多项核心任务进行了训练。作为一款专为学术研究场景打造的大型语言模型,它在论文辅助阅读、学术翻译、英语润色和评论生成等方面均表现出色,旨在为研究人员、教师和学生提供高效、精准的智能辅助。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- HHowToCook程序员在家做饭方法指南。Programmer's guide about how to cook at home (Chinese only).Dockerfile014
Spark-Chemistry-X1-13B科大讯飞星火化学-X1-13B (iFLYTEK Spark Chemistry-X1-13B) 是一款专为化学领域优化的大语言模型。它由星火-X1 (Spark-X1) 基础模型微调而来,在化学知识问答、分子性质预测、化学名称转换和科学推理方面展现出强大的能力,同时保持了强大的通用语言理解与生成能力。Python00- PpathwayPathway is an open framework for high-throughput and low-latency real-time data processing.Python00
项目优选
收起
OpenHarmony documentation | OpenHarmony开发者文档
Dockerfile
297
2.64 K
Ascend Extension for PyTorch
Python
128
152
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++
608
191
React Native鸿蒙化仓库
JavaScript
228
307
暂无简介
Dart
591
128
🎉 (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
1.05 K
612
仓颉编译器源码及 cjdb 调试工具。
C++
122
496
本项目是CANN提供的是一款高效、可靠的Transformer加速库,基于华为Ascend AI处理器,专门为Transformer模型的训练和推理而设计。
C++
47
77
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
179
64
旨在打造算法先进、性能卓越、高效敏捷、安全可靠的密码套件,通过轻量级、可剪裁的软件技术架构满足各行业不同场景的多样化要求,让密码技术应用更简单,同时探索后量子等先进算法创新实践,构建密码前沿技术底座!
C
1.02 K
456