Riverpod中避免手动提供者作为生成提供者依赖的正确用法
2025-06-02 10:47:54作者:毕习沙Eudora
在使用Riverpod进行状态管理时,开发者可能会遇到一个常见的lint警告:"avoid_manual_providers_as_generated_provider_dependency"。这个警告提示我们生成的提供者应该只依赖于其他生成的提供者,以确保依赖关系的正确性和一致性。
问题背景
在Riverpod的实际使用中,特别是结合代码生成功能时,开发者可能会遇到这样的场景:一个生成的提供者需要依赖另一个生成的提供者。这种情况下,如果语法使用不当,就会触发上述lint警告。
典型错误示例
考虑以下代码场景:
@riverpod
Future<Loader> loader(LoaderRef ref, String key) async {
return Loader(key: key);
}
@riverpod
Future<String> value1(Value1Ref ref) async {
final loader = await ref.watch(LoaderProvider('value1').future);
return loader.load();
}
这段代码会触发lint警告,提示"Generated providers should only depend on other generated providers"。
问题原因分析
触发这个警告的根本原因是使用了错误的提供者引用语法。在Riverpod中,通过代码生成创建的提供者应该使用小写开头的名称,而不是大写开头的名称。这是因为:
- 代码生成器会自动将
@riverpod注解的提供者转换为小写开头的变量名 - 使用大写开头的名称可能会引用到错误的提供者类型
正确解决方案
正确的做法是使用小写开头的提供者名称:
@riverpod
Future<String> value1(Value1Ref ref) async {
final loader = await ref.watch(loaderProvider('value1').future);
return loader.load();
}
最佳实践建议
- 遵循命名约定:生成的提供者总是使用小写开头的名称
- 利用IDE自动完成:现代IDE通常能正确提示生成的提供者名称
- 理解生成规则:
@riverpod注解的方法会生成小写开头的提供者变量 - 注意.future的使用:当需要获取Future结果时,正确使用.future属性
总结
在Riverpod中正确处理生成提供者之间的依赖关系是保证应用状态管理健壮性的重要一环。通过遵循正确的命名约定和语法规则,可以避免不必要的lint警告,同时确保提供者依赖关系的清晰和可维护性。记住:生成的提供者名称总是小写开头,这是Riverpod代码生成的一个重要约定。
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
24
9
Ascend Extension for PyTorch
Python
222
238
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
671
156
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++
661
312
React Native鸿蒙化仓库
JavaScript
261
322
🔥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
64
19
仓颉编译器源码及 cjdb 调试工具。
C++
134
867
仓颉编程语言测试用例。
Cangjie
37
859
openGauss kernel ~ openGauss is an open source relational database management system
C++
160
217