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。
ERNIE-4.5-VL-28B-A3B-ThinkingERNIE-4.5-VL-28B-A3B-Thinking 是 ERNIE-4.5-VL-28B-A3B 架构的重大升级,通过中期大规模视觉-语言推理数据训练,显著提升了模型的表征能力和模态对齐,实现了多模态推理能力的突破性飞跃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
MiniMax-M2MiniMax-M2是MiniMaxAI开源的高效MoE模型,2300亿总参数中仅激活100亿,却在编码和智能体任务上表现卓越。它支持多文件编辑、终端操作和复杂工具链调用Python00
HunyuanVideo-1.5HunyuanVideo-1.5作为一款轻量级视频生成模型,仅需83亿参数即可提供顶级画质,大幅降低使用门槛。该模型在消费级显卡上运行流畅,让每位开发者和创作者都能轻松使用。本代码库提供生成创意视频所需的实现方案与工具集。00
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
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
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