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。
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-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