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。
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-1.5暂无简介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