Liveblocks Redux 增强器状态类型问题解析与解决方案
背景介绍
在使用Liveblocks与Redux集成时,开发者经常会遇到一个典型问题:当使用liveblocksEnhancer增强Redux store后,Liveblocks相关的状态(如在线用户信息、连接状态等)并未自动合并到Redux的全局状态类型中。这导致TypeScript无法正确推断出state.liveblocks的类型,从而产生类型错误。
问题分析
liveblocksEnhancer的设计初衷是为Redux store添加Liveblocks功能,包括实时协作状态管理。然而,当前实现存在两个主要问题:
-
类型系统不完整:
liveblocksEnhancer的类型声明没有正确扩展Redux store的状态类型,导致TypeScript无法识别新增的liveblocks状态分支。 -
运行时警告:Redux会在控制台输出警告,提示发现了不在reducer中声明的状态键("liveblocks")。
技术细节
在Redux的类型系统中,StoreEnhancer接口应该通过泛型参数来声明它对store状态的扩展。理想情况下,liveblocksEnhancer应该这样定义:
declare const liveblocksEnhancer: <TState>(options: {
client: Client;
storageMapping?: Mapping<TState>;
presenceMapping?: Mapping<TState>;
}) => StoreEnhancer<
{},
WithLiveblocks<{}, JsonObject, BaseUserMeta>
>;
其中WithLiveblocks是Liveblocks提供的类型,包含了liveblocks状态分支的所有属性。
解决方案
目前有两种可行的解决方案:
方案一:创建虚拟reducer(推荐)
export const store = configureStore({
reducer: {
mySlice: mySlice.reducer,
liveblocks: createSlice({
name: 'liveblocks',
initialState: {
others: [],
status: 'initial',
connection: 'authenticating',
isStorageLoading: true,
} satisfies WithLiveblocks<
Record<string, never>,
JsonObject,
BaseUserMeta
>['liveblocks'],
reducers: {},
}).reducer,
},
enhancers: (getDefaultEnhancers) =>
getDefaultEnhancers().concat(
liveblocksEnhancer({
client: createClient({ publicApiKey: apiKey }),
storageMapping: { concepts: true, conversations: true },
}),
),
})
这种方法通过创建一个不包含任何实际reducer逻辑的slice,提前声明了liveblocks状态分支的类型,既解决了类型问题,又避免了Redux的运行时警告。
方案二:类型断言
type RootState = ReturnType<typeof store.getState> & {
liveblocks: WithLiveblocks<{}, JsonObject, BaseUserMeta>['liveblocks']
}
这种方法通过类型交叉,手动将liveblocks状态分支添加到全局状态类型中。虽然简单,但无法解决Redux的运行时警告。
最佳实践建议
-
优先使用虚拟reducer方案:它提供了最完整的类型安全性和运行时兼容性。
-
保持状态同步:确保虚拟reducer中的初始状态与Liveblocks实际提供的状态结构保持一致。
-
类型安全:使用
satisfies操作符确保初始状态类型与WithLiveblocks类型兼容。 -
性能考量:虚拟reducer不会增加实际运行时开销,因为Liveblocks状态实际上由enhancer管理。
未来展望
理想情况下,Liveblocks官方应该更新liveblocksEnhancer的类型定义,使其自动扩展Redux store的状态类型。在此之前,虚拟reducer方案是最稳健的解决方案。
通过以上分析和解决方案,开发者可以安全地在TypeScript环境中使用Liveblocks与Redux的集成功能,同时保持类型安全和良好的开发体验。
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