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。
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