Clerk项目中Cherry Notebook的eval-cljs功能修复解析
在Clerk项目的开发过程中,最近发现了一个关于Cherry Notebook中eval-cljs功能的有趣问题。这个问题涉及到ClojureScript代码的评估方式以及元数据的处理机制,值得深入探讨。
问题背景
在Clerk的Cherry Notebook中,开发者原本使用eval-cljs来评估ClojureScript表达式。但在某次提交中,这些调用被改为使用eval-cljs-str。根据注释说明,这种改变是因为序列化到客户端的s表达式当时无法保留元数据,而异步函数需要^:async元数据标记。
然而,实际上在之前的版本中,eval-cljs确实能够正常工作。这表明底层实现可能已经发生了变化,使得原先的限制不再适用。
技术分析
经过调查发现,这个问题与以下几个技术点相关:
-
元数据处理:Cherry的
defn宏现在支持通过普通表达式添加元数据,而不再依赖传统的元数据语法。这意味着不再需要特殊处理元数据的序列化问题。 -
评估机制:在某些情况下,表达式可能会被SCI(Small Clojure Interpreter)而非Cherry评估,这可能导致不一致的行为。不过这种问题可能是由于缓存导致的临时现象。
-
字符串评估与表达式评估:
eval-cljs-str和eval-cljs代表了两种不同的评估方式。前者直接评估字符串形式的代码,后者评估数据结构形式的代码。在元数据处理方面,它们有着不同的特性。
解决方案
经过测试验证,确认将代码恢复为使用eval-cljs后,静态Notebook能够正常工作。即使在清除Clerk缓存后,这种解决方案仍然有效。这表明:
- 原先关于元数据序列化的限制已经不再适用
- Cherry现在能够正确处理函数定义中的元数据
- 不需要再为异步函数特别处理
^:async标记
技术启示
这个问题的解决过程给我们带来了一些有价值的启示:
-
框架演进:随着底层框架的改进,原先的一些限制可能会自然消失。开发者需要定期重新评估这些限制是否仍然存在。
-
缓存影响:在开发过程中,缓存机制有时会掩盖真正的问题本质,导致难以复现的"海森堡bug"。清除缓存是调试的一个重要步骤。
-
评估策略选择:在不同的场景下,选择字符串评估还是数据结构评估需要根据实际需求和框架特性来决定。
这个问题的解决不仅恢复了功能,也帮助我们更好地理解了Clerk项目中代码评估机制的工作原理和演进方向。
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