Fruit框架中动态装饰器模式的实现方法
2025-07-08 23:11:08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
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
项目优选
收起
deepin linux kernel
C
25
9
OpenHarmony documentation | OpenHarmony开发者文档
Dockerfile
415
3.19 K
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
暂无简介
Dart
680
160
🔥LeetCode solutions in any programming language | 多种编程语言实现 LeetCode、《剑指 Offer(第 2 版)》、《程序员面试金典(第 6 版)》题解
Java
65
19
Ascend Extension for PyTorch
Python
229
259
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++
689
327
React Native鸿蒙化仓库
JavaScript
265
326
喝着茶写代码!最易用的自托管一站式代码托管平台,包含Git托管,代码审查,团队协作,软件包和CI/CD。
Go
23
0
🎉 (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
1.21 K
660