Redux Toolkit中动态端点参数下的缓存更新策略
2025-05-22 13:07:55作者:董灵辛Dennis
前言
在使用Redux Toolkit的RTK Query进行数据管理时,开发者经常会遇到需要更新带有动态参数的查询缓存的情况。特别是在分页查询场景下,如何优雅地处理缓存更新成为一个常见的技术挑战。本文将深入探讨这一问题的解决方案。
问题背景
当我们在RTK Query中定义端点时,经常会使用动态参数来实现分页、排序和搜索等功能。例如:
listAllUsers: builder.query({
query: ({
page = 0,
page_size = 15,
order = 'nickname',
order_mode = 'asc',
search = undefined,
}) => ({
url: '/admin/admins',
method: 'GET',
params: {page, page_size, order, order_mode, search},
}),
})
这种设计虽然灵活,但在进行缓存更新时却带来了挑战。当我们需要在创建新用户后立即更新用户列表时,必须知道当前缓存使用了哪些参数组合。
传统解决方案的局限性
开发者通常会尝试以下两种方法:
- 缓存失效重取:使用
invalidatesTags和providesTags标记缓存失效,依赖后端快速响应 - 手动更新缓存:使用
updateQueryData直接修改缓存数据
第一种方法的问题在于后端处理可能存在延迟,导致前端无法立即获得最新数据。第二种方法则需要精确知道当前缓存使用的参数组合,这在动态参数场景下变得复杂。
进阶解决方案
利用selectInvalidatedBy获取缓存条目
RTK Query提供了selectInvalidatedBy工具函数,可以获取特定标签下的所有缓存条目。我们可以利用这一特性来解决动态参数问题:
// 为查询端点添加标签
listAllUsers: builder.query({
query: ({ /* 参数 */ }) => ({ /* 配置 */ }),
providesTags: ["Users"] // 添加统一标签
})
// 在mutation中获取并更新缓存
async onQueryStarted(props, {queryFulfilled, dispatch, getState}) {
const {data: newUser} = await queryFulfilled;
// 获取所有标记为"Users"的缓存条目
const entries = apiSlice.util.selectInvalidatedBy(getState(), ["Users"]);
// 更新第一个缓存条目
const {originalArgs} = entries[0];
const patchCollection = dispatch(
apiSlice.util.updateQueryData('listAllUsers', originalArgs, (draft) => {
draft.users.unshift({...newUser.admin, nickname: newUser.admin.name});
}),
);
queryFulfilled.catch(patchCollection.undo);
}
更精细的缓存控制
对于更复杂的场景,我们可以使用更具体的标签来控制缓存:
// 为不同参数组合创建不同标签
providesTags: (result, error, arg) => [
{ type: 'Users', id: 'LIST' },
{ type: 'Users', id: `PAGE_${arg.page}` }
]
// 在mutation中选择性更新特定页面
const page1Entries = apiSlice.util.selectInvalidatedBy(
getState(),
[{ type: 'Users', id: 'PAGE_1' }]
);
最佳实践建议
- 合理设计标签体系:根据业务需求设计层次化的标签结构
- 考虑缓存一致性:决定是更新所有相关缓存还是只更新特定页面
- 性能优化:对于大数据量场景,避免不必要的缓存更新
- 错误处理:始终保留patchCollection.undo以处理可能的错误
总结
在Redux Toolkit的RTK Query中处理动态参数缓存更新,关键在于合理利用标签系统和缓存工具函数。通过selectInvalidatedBy获取当前缓存状态,再结合updateQueryData进行精确更新,可以构建出既灵活又高效的数据管理方案。这种方法不仅解决了动态参数带来的挑战,还为复杂场景下的数据一致性提供了可靠保障。
登录后查看全文
热门项目推荐
相关项目推荐
atomcodeClaude Code 的开源替代方案。连接任意大模型,编辑代码,运行命令,自动验证 — 全自动执行。用 Rust 构建,极致性能。 | An open-source alternative to Claude Code. Connect any LLM, edit code, run commands, and verify changes — autonomously. Built in Rust for speed. Get StartedRust0194
cann-learning-hubCANN 学习中心仓,支持在线互动运行、边学边练,提供教程、示例与优化方案,一站式助力昇腾开发者快速上手。Jupyter Notebook0121
MiMo-V2.5-Pro-FP4-DFlashMiMo-V2.5-Pro-FP4-DFlash 是驱动 MiMo-V2.5-Pro-UltraSpeed 的底层模型: FP4 量化骨干网络:对 MoE 专家采用 MXFP4 量化,同时保持模型其他部分的更高精度,在几乎无损质量的前提下,显著减小模型体积并降低内存带宽压力。 BF16 DFlash 草稿生成器:用于块扩散推测解码,每次前向传播可生成一整个块的 tokens,并让骨干网络一步完成验证。 两者协同作用,既降低了每参数的位宽,又减少了骨干网络前向传播的次数,而这两者正是万亿参数模型解码过程中的两大主要成本来源。Python00
JoyAI-EchoJoyAI-Echo,这是一个独立的、仅用于推理的版本,旨在实现分钟级多镜头音视频生成。它采用了经过蒸馏的DMD生成器、配对的跨模态记忆以及故事级别的一致性。其性能的核心在于,一个跨模态视听记忆库能够在长达五分钟的视频中保持角色外观和语音音色的一致性。同时,一个训练后处理流程将基于记忆的强化学习与分布匹配蒸馏相结合,实现了7.5倍的速度提升,显著增强了视觉质量和对齐效果。00
AstrBot✨ 易上手的多平台 LLM 聊天机器人及开发框架 ✨ 平台支持 QQ、QQ频道、Telegram、微信、企微、飞书 | OpenAI、DeepSeek、Gemini、硅基流动、月之暗面、Ollama、OneAPI、Dify 等。附带 WebUI。Python05
handy-ollama动手学Ollama,CPU玩转大模型部署,在线阅读地址:https://datawhalechina.github.io/handy-ollama/Jupyter Notebook06
热门内容推荐
项目优选
收起
暂无描述
Dockerfile
767
4.99 K
本项目是CANN提供的transformer类大模型算子库,实现网络在NPU上加速计算。
C++
857
1.94 K
本项目是CANN提供的神经网络类计算算子库,实现网络在NPU上加速计算。
C++
686
1.34 K
Ascend Extension for PyTorch
Python
721
892
openEuler内核是openEuler操作系统的核心,既是系统性能与稳定性的基石,也是连接处理器、设备与服务的桥梁。
C
458
445
本项目是CANN提供的数学类基础计算算子库,实现网络在NPU上加速计算。
C++
1.08 K
1.11 K
本仓库是 Flutter SDK 与 Flutter Engine 的 OpenHarmony 适配版本,由 CPF-Flutter 团队维护。开发者可使用熟悉的 Flutter 技术栈开发 OpenHarmony 应用,3.35.7 及以后的适配版本可基于本仓库源码构建支持 OpenHarmony 的 Flutter Engine。
Dart
1.01 K
262
CANNBot 是面向 CANN 开发的用于提升开发效率的系列智能体,本仓库为其提供可复用的 Skills 模块。
Python
1 K
618
openJiuwen agent-studio提供零码、低码可视化开发和工作流编排,模型、知识库、插件等各资源管理能力
TSX
2.99 K
637
华为昇腾面向大规模分布式训练的多模态大模型套件,支撑多模态生成、多模态理解。
Python
151
253