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。
GLM-5智谱 AI 正式发布 GLM-5,旨在应对复杂系统工程和长时域智能体任务。Jinja00
GLM-5-w4a8GLM-5-w4a8基于混合专家架构,专为复杂系统工程与长周期智能体任务设计。支持单/多节点部署,适配Atlas 800T A3,采用w4a8量化技术,结合vLLM推理优化,高效平衡性能与精度,助力智能应用开发Jinja00
请把这个活动推给顶尖程序员😎本次活动专为懂行的顶尖程序员量身打造,聚焦AtomGit首发开源模型的实际应用与深度测评,拒绝大众化浅层体验,邀请具备扎实技术功底、开源经验或模型测评能力的顶尖开发者,深度参与模型体验、性能测评,通过发布技术帖子、提交测评报告、上传实践项目成果等形式,挖掘模型核心价值,共建AtomGit开源模型生态,彰显顶尖程序员的技术洞察力与实践能力。00
Kimi-K2.5Kimi K2.5 是一款开源的原生多模态智能体模型,它在 Kimi-K2-Base 的基础上,通过对约 15 万亿混合视觉和文本 tokens 进行持续预训练构建而成。该模型将视觉与语言理解、高级智能体能力、即时模式与思考模式,以及对话式与智能体范式无缝融合。Python00
MiniMax-M2.5MiniMax-M2.5开源模型,经数十万复杂环境强化训练,在代码生成、工具调用、办公自动化等经济价值任务中表现卓越。SWE-Bench Verified得分80.2%,Multi-SWE-Bench达51.3%,BrowseComp获76.3%。推理速度比M2.1快37%,与Claude Opus 4.6相当,每小时仅需0.3-1美元,成本仅为同类模型1/10-1/20,为智能应用开发提供高效经济选择。【此简介由AI生成】Python00
Qwen3.5Qwen3.5 昇腾 vLLM 部署教程。Qwen3.5 是 Qwen 系列最新的旗舰多模态模型,采用 MoE(混合专家)架构,在保持强大模型能力的同时显著降低了推理成本。00- RRing-2.5-1TRing-2.5-1T:全球首个基于混合线性注意力架构的开源万亿参数思考模型。Python00