XState Store 3.0 版本发布:状态管理的全新升级
XState 是一个流行的 JavaScript/TypeScript 状态管理库,它基于有限状态机(FSM)和状态图(Statecharts)的概念,为复杂应用的状态管理提供了强大的解决方案。XState Store 是 XState 生态中的一个重要组成部分,专注于提供轻量级、响应式的状态管理能力。
在最新的 3.0 版本中,XState Store 经历了一系列重大改进,这些变化不仅简化了 API 设计,还引入了新功能,使状态管理更加灵活和强大。让我们一起来看看这些令人兴奋的更新。
配置对象统一化
在 3.0 版本中,createStore 函数的参数结构进行了重大调整。现在它只接受一个配置对象作为参数,这与其他 XState API 的设计风格保持一致,提高了 API 的一致性。
// 旧版 API
// createStore(
// { count: 0 },
// { increment: (context) => ({ count: context.count + 1 }) }
// );
// 新版 API
createStore({
context: { count: 0 },
on: {
increment: (context) => ({ count: context.count + 1 })
}
});
这种改变不仅使代码更加整洁,还使得配置结构更加明确,提高了可读性。
状态转换中的副作用处理
3.0 版本引入了一个强大的新功能:在状态转换中排队执行副作用。通过 enq 参数,开发者可以轻松地安排异步操作,而不必担心状态管理的复杂性。
const store = createStore({
context: { count: 0 },
on: {
incrementDelayed: (context, event, enq) => {
enq.effect(async () => {
await new Promise((resolve) => setTimeout(resolve, 1000));
store.send({ type: 'increment' });
});
return context;
},
increment: (context) => ({ count: context.count + 1 })
}
});
这个特性特别适合处理需要延迟执行或异步获取数据的场景,使得状态管理逻辑更加清晰。
类型安全的触发器 API
新版本引入了 store.trigger API,提供了一种类型安全、流畅的方式来发送事件:
// 旧方式
store.send({ type: 'increment', by: 5 });
// 新方式
store.trigger.increment({ by: 5 });
这个 API 不仅语法更加简洁,还能在编译时捕获事件类型错误,大大提高了开发体验和代码安全性。
事件发射机制
3.0 版本引入了全新的事件发射系统,允许状态变更时触发外部事件:
const store = createStore({
emits: {
increased: (payload: { upBy: number }) => {
// 可以在这里执行副作用或留空
}
},
on: {
inc: (ctx, ev: { by: number }, enq) => {
enq.emit.increased({ upBy: ev.by });
// ...
}
}
});
这个功能使得状态管理与外部系统的集成更加容易,特别是在需要与 UI 框架或其他库交互时。
上下文更新的严格模式
为了提高类型安全性和可预测性,3.0 版本要求上下文更新必须返回完整的新上下文对象:
// 不再支持部分更新
// increment: (context) => ({ count: context.count + 1 })
// 必须返回完整上下文
increment: (context) => ({ ...context, count: context.count + 1 })
虽然这增加了一些样板代码,但它确保了状态更新的明确性和可追踪性,减少了潜在的错误。
总结
XState Store 3.0 的这些改进标志着该项目在成熟度和开发者体验方面迈出了重要一步。通过简化 API、增强类型安全性以及引入强大的新功能如副作用处理和事件发射,它现在能够更好地满足现代应用开发的需求。
对于现有用户,虽然这些变化需要一些迁移工作,但带来的长期收益是值得的。新用户则可以直接享受这些精心设计的 API 带来的开发便利。无论是构建简单的状态管理还是复杂的业务逻辑,XState Store 3.0 都提供了一个强大而灵活的基础。
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