WordPress Gutenberg数据存储中resolveSelect与select的演进与最佳实践
背景介绍
在WordPress Gutenberg项目中,数据管理是一个核心功能。随着项目的发展,数据存储相关的API也在不断演进。最近一个重要的变化是关于select和resolveSelect控制器的使用方式变更,这对开发者构建自定义数据存储产生了显著影响。
问题起源
在Gutenberg 5.7版本之前,开发者通常使用@wordpress/data-controls包中的select控制器来处理数据存储的异步操作。然而,从5.7版本开始,这个控制器被标记为弃用,官方推荐改用@wordpress/data包内置的resolveSelect控制器。
这种变更导致了一些开发者在迁移过程中遇到问题,特别是当他们在Redux数据存储解析器中使用生成器函数时。原本正常工作的代码在替换为resolveSelect后出现了功能异常。
技术分析
select与resolveSelect的区别
-
select控制器:
- 位于
@wordpress/data-controls包中 - 主要用于生成器函数中
- 通过yield关键字调用
- 在5.7版本后被标记为弃用
- 位于
-
resolveSelect控制器:
- 直接内置在
@wordpress/data包中 - 设计用于更现代的异步处理方式
- 可以与async/await语法配合使用
- 是官方推荐的替代方案
- 直接内置在
类型系统问题
开发者还注意到resolveSelect的类型定义不够完善,相比自定义数据存储中为select创建的类型重载,resolveSelect的类型提示体验较差。这增加了迁移的复杂度。
解决方案演进
从生成器到Thunk的转变
Gutenberg核心团队推荐了一种更现代的解决方案:使用Thunk替代生成器函数。Thunk是Redux中处理异步逻辑的标准方式,相比生成器具有以下优势:
- 更简单的语法:不需要处理yield和生成器函数
- 更好的类型支持:与TypeScript配合更自然
- 更直观的流程:代码结构更接近常规异步函数
迁移实践
对于需要从生成器迁移到Thunk的开发者,可以遵循以下步骤:
- 将生成器函数改为普通异步函数
- 使用async/await替代yield
- 直接调用resolveSelect而不是通过控制流
- 确保正确处理Promise和错误情况
最佳实践建议
- 新项目开发:直接使用Thunk和resolveSelect的组合
- 现有项目迁移:
- 评估影响范围
- 分阶段逐步替换
- 优先处理关键路径
- 类型系统优化:为自定义存储创建类型扩展,改善开发体验
总结
WordPress Gutenberg项目中的数据管理API正在向更现代、更简洁的方向发展。虽然从生成器和select控制器迁移到Thunk和resolveSelect需要一定的重构工作,但最终会带来更好的开发体验和更可维护的代码结构。
对于正在使用自定义数据存储的开发者,建议尽快规划迁移路线,利用Thunk的简洁性和resolveSelect的官方支持,构建更健壮的编辑器扩展功能。
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