SwiftDependencies 项目中 AsyncSequence 与宏的兼容性问题解析
问题背景
在 Swift 并发编程中,AsyncSequence 是一个重要的协议,它允许我们以异步方式处理序列数据。近期,SwiftDependencies 项目中的 eraseToStream() 方法被标记为废弃,开发者需要迁移到使用 any AsyncSequence<Element, Failure> 类型。
问题现象
开发者在使用 @DependencyClient 宏时发现了一个特殊问题:当尝试将 AsyncStream.never 作为 unimplemented 函数的占位符返回时,编译器会报错。有趣的是,单独使用宏或者单独使用 unimplemented 都能正常工作,但两者结合就会出现问题。
技术分析
正常工作情况
- 不使用宏的情况:
struct Example {
var exampleSequence: () -> any AsyncSequence<Int, Never> = {
unimplemented("", placeholder: AsyncStream.never)
}
}
这种情况下代码能够正常编译。
- 不使用 unimplemented 的情况:
@DependencyClient
struct Example {
var exampleSequence: () -> any AsyncSequence<Int, Never> = {
AsyncStream.never
}
}
这样也能正常工作。
问题重现
当同时使用宏和 unimplemented 时:
@DependencyClient
struct Example {
var exampleSequence: () -> any AsyncSequence<Int, Never> = {
unimplemented("", placeholder: AsyncStream.never)
}
}
这段代码会导致编译器错误。
深入探究
经过进一步测试发现,这个问题实际上是由 @DependencyEndpoint 宏引起的,而不是整个 @DependencyClient 宏。这表明问题可能出在宏扩展过程中类型推断的某个环节。
临时解决方案
虽然显式类型转换可以解决问题:
AsyncStream.never as any AsyncSequence<Int, Never>
但这种方式不够优雅。
更推荐的临时解决方案是避免使用 unimplemented,直接实现其功能:
struct Example {
@DependencyEndpoint
var exampleSequence: () -> any AsyncSequence<Int, Never> = {
reportIssue()
return AsyncStream.never
}
}
根本原因
这实际上是一个 Swift 编译器本身的 bug,特别是在处理宏扩展和存在类型(any AsyncSequence)的类型推断时出现的问题。Swift 的类型系统在处理宏生成的代码和存在类型的组合时出现了不一致性。
对开发者的建议
- 在等待 Swift 编译器修复期间,可以采用上述的临时解决方案
- 对于复杂的类型系统交互,特别是涉及宏和存在类型时,保持代码简洁往往能避免这类问题
- 考虑在项目中建立统一的未实现处理模式,减少对
unimplemented的依赖
总结
这个问题展示了 Swift 类型系统和宏系统在复杂场景下的微妙交互。虽然存在临时解决方案,但开发者需要意识到这是编译器层面的限制。随着 Swift 语言的不断演进,这类问题有望在未来版本中得到解决。在现阶段,理解问题本质并采用适当的变通方案是保持项目稳定性的关键。
GLM-5智谱 AI 正式发布 GLM-5,旨在应对复杂系统工程和长时域智能体任务。Jinja00
GLM-5-w4a8GLM-5-w4a8基于混合专家架构,专为复杂系统工程与长周期智能体任务设计。支持单/多节点部署,适配Atlas 800T A3,采用w4a8量化技术,结合vLLM推理优化,高效平衡性能与精度,助力智能应用开发Jinja00
请把这个活动推给顶尖程序员😎本次活动专为懂行的顶尖程序员量身打造,聚焦AtomGit首发开源模型的实际应用与深度测评,拒绝大众化浅层体验,邀请具备扎实技术功底、开源经验或模型测评能力的顶尖开发者,深度参与模型体验、性能测评,通过发布技术帖子、提交测评报告、上传实践项目成果等形式,挖掘模型核心价值,共建AtomGit开源模型生态,彰显顶尖程序员的技术洞察力与实践能力。00
Kimi-K2.5Kimi K2.5 是一款开源的原生多模态智能体模型,它在 Kimi-K2-Base 的基础上,通过对约 15 万亿混合视觉和文本 tokens 进行持续预训练构建而成。该模型将视觉与语言理解、高级智能体能力、即时模式与思考模式,以及对话式与智能体范式无缝融合。Python00
MiniMax-M2.5MiniMax-M2.5开源模型,经数十万复杂环境强化训练,在代码生成、工具调用、办公自动化等经济价值任务中表现卓越。SWE-Bench Verified得分80.2%,Multi-SWE-Bench达51.3%,BrowseComp获76.3%。推理速度比M2.1快37%,与Claude Opus 4.6相当,每小时仅需0.3-1美元,成本仅为同类模型1/10-1/20,为智能应用开发提供高效经济选择。【此简介由AI生成】Python00
Qwen3.5Qwen3.5 昇腾 vLLM 部署教程。Qwen3.5 是 Qwen 系列最新的旗舰多模态模型,采用 MoE(混合专家)架构,在保持强大模型能力的同时显著降低了推理成本。00- RRing-2.5-1TRing-2.5-1T:全球首个基于混合线性注意力架构的开源万亿参数思考模型。Python00